AGVBench: Ein zuverlässigkeitsorientierter Benchmark für Datenaugmentation in der Venenerkennung

Zusammenfassung

Venenerkennung ist ein sicheres biometrisches Verfahren, das oft durch begrenzte annotierte Daten und Bildgebungsvariationen eingeschränkt wird. Während Datenaugmentation dem entgegenwirkt, können für natürliche Bilder entwickelte Strategien die feinkörnige Topologie und Texturen stören, die für die Identitätsunterscheidung wesentlich sind. Wir stellen AGVBench vor, das 30 repräsentative Augmentationsstrategien auf fünf öffentlichen Palmen- und Fingeraden-Datensätzen mit sieben Backbone-Architekturen evaluiert – darunter klassische CNNs, Vision Transformer und venenspezifische Erkennungsmodelle. Unsere Ergebnisse zeigen, dass Multi-Bild-Mischverfahren (z. B. MixUp, PuzzleMix, StarMixup) im Allgemeinen die stärkste Erkennungsleistung erzielen. Allerdings sind sie oft schlecht kalibriert und anfällig für adversarielle Störungen, was eine deutliche Inkonsistenz zwischen sauberer Genauigkeit und adversarieller Sicherheit offenbart. Wir stellen zudem fest, dass starke geometrische Transformationen die Erkennung häufig verschlechtern – potenziell aufgrund von Fehlausrichtung der Merkmale oder räumlichem Zuschneiden – und dass die Wirksamkeit der Augmentation zwischen Palm- und Fingeraden-Datensätzen variiert. Diese Erkenntnisse belegen, dass eine genauigkeitszentrierte Bewertung für die biometrische Augmentation unzureichend ist. AGVBench bietet standardisierte Protokolle zur Unterstützung reproduzierbarer Forschung und zur Orientierung bei der Entwicklung zuverlässiger, sicherer und robuster Venenerkennungssysteme. Unser Codebase ist verfügbar unter https://github.com/Advance-VeinTech-Innovators/AGVBench.

English

Vein recognition is a secure biometric technology often constrained by limited annotated data and imaging variations. While data augmentation mitigates this, strategies designed for natural images may disrupt the fine-grained topology and textures essential for identity discrimination. We present AGVBench, which evaluates 30 representative augmentation strategies on five public palm- and finger-vein datasets with seven backbone architectures, covering classic CNNs, vision transformers, and vein-specific recognition models. Our results show that multi-image mixing methods (e.g., MixUp, PuzzleMix, StarMixup) generally provide the strongest recognition performance. However, they are often poorly calibrated and vulnerable to adversarial perturbations, revealing a clear inconsistency between clean accuracy and adversarial security. We also find that severe geometric transformations frequently degrade recognition, which is potentially due to feature misalignment or spatial cropping, and that augmentation effectiveness varies across palm and finger vein datasets. These findings prove that accuracy-centric evaluation is insufficient for biometric augmentation. AGVBench provides standardized protocols to support reproducible research and guide the design of reliable, secure, and robust vein recognition systems. Our codebase is available at https://github.com/Advance-VeinTech-Innovators/AGVBench.