虹膜识别之路（一）：深度学习现有CNN下的虹膜识别

今天读了一篇IEEE paper：Iris Recognition With Off-the-Shelf CNN Features: A Deep Learning Perspective，在此做一些笔记。
这篇paper是将现有的CNN架构用于虹膜识别，并对这些架构进行分析与对比。
首先，对于存在的用于虹膜识别的深度学习框架有：DeepIris以及两种DeepIrisNet。DeepIris共有9层网络，一对过滤层，一个卷积层，两个池化层，两个标准化层，两个局部层和一个全连接层。而且这个架构在Q-FIRE 和 CASIA两个数据集上得到了很好的应用。
具体论文：
N. Liu, M. Zhang, H. Li, Z. Sun, and T. Tan, ``Deepiris: Learning pairwise
filter bank for heterogeneous iris verification,’’ Pattern Recognit. Lett.,
vol. 82, no. 2, pp. 154-161, 2015

两种DeepIrisNet，第一种是DeepIrisNet-A，包含8个卷积层（每层后都有一小段标准化层），4个池化层，3个全连接层和2个Drop-out层；第二种是DeepIrisNet-B，在DeepIrisNet-A的基础上添加两个初始化层，以用来增加模型的性能。这两种网络在数据集ND-IRIS-0405 和ND-CrossSensor-Iris-2013上表现良好。
局限：数据集数据不够大，难以训练深度神经网络，为了解决数据集的缺失，迁移学习
具体论文：
A. Gangwar and A. Joshi, ``DeepIrisNet: Deep iris representation with
applications in iris recognition and cross-sensor iris recognition,’’ in Proc.
IEEE Int. Conf. Image Process. (ICIP), Sep. 2016, pp. 23010-2305.

AlexNet

paper：M. D. Zeiler and R. Fergus, ``Visualizing and understanding convolution