AGVBench: 정맥 인식을 위한 데이터 증강의 신뢰성 지향 벤치마크

초록

정맥 인식은 안전한 생체 인식 기술이지만, 제한된 주석 데이터와 이미징 변동성으로 인해 종종 제약을 받는다. 데이터 증강이 이를 완화할 수 있지만, 자연 이미지를 위해 설계된 전략은 개체 식별에 필수적인 세밀한 위상 구조와 질감을 손상시킬 수 있다. 본 연구에서는 AGVBench를 제안하며, 이는 고전적 CNN, 비전 트랜스포머, 정맥 특화 인식 모델을 포함한 7가지 백본 아키텍처를 사용하여 5개의 공개 손바닥 및 손가락 정맥 데이터셋에서 30가지 대표적인 증강 전략을 평가한다. 실험 결과, 다중 이미지 혼합 방법(예: MixUp, PuzzleMix, StarMixup)이 일반적으로 가장 우수한 인식 성능을 제공하는 것으로 나타났다. 그러나 이러한 방법들은 종종 캘리브레이션이 불량하고 적대적 교란에 취약하여, 정확도 기반의 평가와 적대적 보안 사이에 명확한 불일치가 있음을 보여준다. 또한 심각한 기하학적 변환은 특징 정렬 불일치나 공간적 크롭으로 인해 인식 성능을 저하시키는 경우가 많으며, 증강 효과는 손바닥 정맥과 손가락 정맥 데이터셋에 따라 달라진다. 이러한 발견은 생체 인식 증강에 있어 정확도 중심의 평가가 충분하지 않음을 입증한다. AGVBench는 재현 가능한 연구를 지원하고 신뢰할 수 있으며 안전하고 강건한 정맥 인식 시스템 설계를 안내하기 위한 표준화된 프로토콜을 제공한다. 코드베이스는 https://github.com/Advance-VeinTech-Innovators/AGVBench에서 확인할 수 있다.

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.