AGVBench: 静脈認識のための信頼性指向データ拡張ベンチマーク

要旨

静脈認証は安全な生体認証技術であるが、限られた注釈データや画像の変動によって制約されることが多い。データ拡張はこの問題を緩和するが、自然画像向けに設計された戦略は、個人識別に不可欠な微細なトポロジーやテクスチャを損なう可能性がある。本稿ではAGVBenchを提案する。これは、5つの公開掌静脈・指静脈データセットにおいて、7つのバックボーンアーキテクチャ（古典的なCNN、Vision Transformer、静脈特化型認識モデルを含む）を用いて、30の代表的な拡張戦略を評価するものである。結果として、マルチイメージ混合法（例：MixUp、PuzzleMix、StarMixup）が概して最も高い認識性能を提供することが示された。しかし、これらの手法はしばしばキャリブレーションが不十分であり、敵対的摂動に対して脆弱であるため、クリーンな精度と敵対的セキュリティの間に明確な矛盾があることが明らかになった。また、過度な幾何学的変換が認識性能を低下させること（これは特徴の位置ずれや空間的クロッピングに起因する可能性がある）、そして拡張の効果が掌静脈と指静脈のデータセットで異なることも発見した。これらの発見は、生体認証の拡張において精度中心の評価が不十分であることを示している。AGVBenchは、再現可能な研究を支援し、信頼性が高く安全でロバストな静脈認識システムの設計を導くための標準化されたプロトコルを提供する。コードベースはhttps://github.com/Advance-VeinTech-Innovators/AGVBenchで公開している。

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.