AGVBench: Un benchmark orientado a la fiabilidad para el aumento de datos en el reconocimiento de venas

Resumen

El reconocimiento de venas es una tecnología biométrica segura que a menudo se ve limitada por la escasez de datos anotados y las variaciones en las imágenes. Si bien el aumento de datos mitiga este problema, las estrategias diseñadas para imágenes naturales pueden alterar la topología de grano fino y las texturas esenciales para la discriminación de identidades. Presentamos AGVBench, que evalúa 30 estrategias representativas de aumento en cinco conjuntos de datos públicos de venas de palma y dedo, utilizando siete arquitecturas de red troncal, que abarcan CNN clásicas, transformadores de visión y modelos de reconocimiento específicos de venas. Nuestros resultados muestran que los métodos de mezcla de múltiples imágenes (por ejemplo, MixUp, PuzzleMix, StarMixup) generalmente proporcionan el mejor rendimiento de reconocimiento. Sin embargo, a menudo están mal calibrados y son vulnerables a perturbaciones adversariales, lo que revela una clara inconsistencia entre la precisión limpia y la seguridad adversarial. También encontramos que las transformaciones geométricas severas frecuentemente degradan el reconocimiento, posiblemente debido a una desalineación de características o recorte espacial, y que la efectividad del aumento varía entre conjuntos de datos de venas de la palma y del dedo. Estos hallazgos demuestran que la evaluación centrada en la precisión es insuficiente para el aumento biométrico. AGVBench proporciona protocolos estandarizados para apoyar la investigación reproducible y guiar el diseño de sistemas de reconocimiento de venas fiables, seguros y robustos. Nuestro código está disponible en 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.