AGVBench : un référentiel orienté vers la fiabilité pour l'augmentation de données en reconnaissance des veines

Résumé

La reconnaissance des veines est une technologie biométrique sécurisée souvent limitée par la rareté des données annotées et les variations d'imagerie. Si l'augmentation de données atténue ce problème, les stratégies conçues pour les images naturelles peuvent perturber la topologie fine et les textures essentielles à la discrimination des identités. Nous présentons AGVBench, qui évalue 30 stratégies d'augmentation représentatives sur cinq ensembles de données publics de veines palmaires et digitales, avec sept architectures de base couvrant les CNN classiques, les transformeurs de vision et les modèles de reconnaissance de veines spécifiques. Nos résultats montrent que les méthodes de mélange multi-images (par exemple, MixUp, PuzzleMix, StarMixup) offrent généralement les meilleures performances de reconnaissance. Cependant, elles sont souvent mal calibrées et vulnérables aux perturbations adverses, révélant une incohérence manifeste entre la précision propre et la sécurité adverse. Nous constatons également que les transformations géométriques sévères dégradent fréquemment la reconnaissance, potentiellement en raison d'un désalignement des caractéristiques ou d'un recadrage spatial, et que l'efficacité de l'augmentation varie selon les ensembles de données de veines palmaires et digitales. Ces résultats prouvent qu'une évaluation centrée sur la précision est insuffisante pour l'augmentation biométrique. AGVBench fournit des protocoles standardisés pour soutenir une recherche reproductible et guider la conception de systèmes de reconnaissance de veines fiables, sécurisés et robustes. Notre base de code est disponible à l'adresse 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.