In spite of the prominence and robustness of iris recognition systems, iris images acquisition using heterogeneous cameras/sensors, is the prime concern in deploying them for wide-scale applications. The textural qualities of iris samples (images) captured through distinct sensors substantially differ due to the differences in illumination and the underlying hardware that yields intra-class variation within the iris dataset. This paper examines three miscellaneous configurations of convolution and residual blocks to improve cross-domain iris recognition. Further, the finest architecture amongst three is identified by the Friedman test, where the statistical differences in proposed architectures are identified based on the outcomes of Nemeny and Bonferroni-Dunn tests. The quantitative performances of these architectures are perceived on several experiments simulated on two iris datasets; ND-CrossSensor-Iris-2013 and ND-iris-0405. The finest model is referred to as “Collaborative Convolutional Residual Network (CCRNet)” and is further examined on several experiments prepared in similar and cross-domains. Results depict that least two error rates reported by CCRNet are 1.06% and 1.21% that enhances the benchmark for the state of the arts. This is due to fast convergence and rapid weights updation achieved from convolution and residual connections, respectively. It helps in recognizing the micro-patterns existing within the iris region and results in better feature discrimination among large numbers of iris subjects.

尽管虹膜识别系统具有突出的功能和强大的功能，但使用异构相机/传感器获取虹膜图像仍是将其部署到大规模应用中的主要考虑因素。通过不同传感器捕获的虹膜样本（图像）的纹理质量由于光照的差异以及在虹膜数据集内产生类内差异的底层硬件的差异而显着不同。本文研究了卷积和残差块的三种其他配置，以改善跨域虹膜识别。此外，这三者中最好的架构是由弗里德曼测试确定的，其中建议的架构中的统计差异是根据Nemeny和Bonferroni-Dunn测试的结果来确定的。这些架构的定量性能在两个虹膜数据集上进行的几个实验中得到了体现。ND-CrossSensor-Iris-2013和ND-iris-0405。最好的模型称为“协作卷积残差网络（CCRNet）”，并在以相似域和跨域准备的几个实验中进行了进一步检查。结果表明，CCRNet报告的至少两个错误率分别为1.06％和1.21％，这提高了现有技术的基准。这是由于分别通过卷积和残差连接实现了快速收敛和快速的权重更新。它有助于识别虹膜区域内存在的微模式，并导致大量虹膜对象之间更好的特征区分。最好的模型称为“协作卷积残差网络（CCRNet）”，并在以相似域和跨域准备的几个实验中进行了进一步检查。结果表明，CCRNet报告的至少两个错误率分别为1.06％和1.21％，这提高了现有技术的基准。这是由于分别通过卷积和残差连接实现了快速收敛和快速的权重更新。它有助于识别虹膜区域内存在的微模式，并导致大量虹膜对象之间更好的特征区分。最好的模型称为“协作卷积残差网络（CCRNet）”，并在以相似域和跨域准备的几个实验中进行了进一步检查。结果表明，CCRNet报告的至少两个错误率分别为1.06％和1.21％，这提高了现有技术的基准。这是由于分别通过卷积和残差连接实现了快速收敛和快速的权重更新。它有助于识别虹膜区域内存在的微模式，并导致大量虹膜对象之间更好的特征区分。21％的标准提高了艺术水平。这是由于分别通过卷积和残差连接实现了快速收敛和快速的权重更新。它有助于识别虹膜区域内存在的微模式，并导致大量虹膜对象之间更好的特征区分。21％的标准提高了艺术水平。这是由于分别通过卷积和残差连接实现了快速收敛和快速的权重更新。它有助于识别虹膜区域内存在的微模式，并导致大量虹膜对象之间更好的特征区分。