AGVBench: Een betrouwbaarheidsgerichte benchmark van data-augmentatie voor aderherkenning

Samenvatting

Aderherkenning is een veilige biometrische technologie die vaak wordt beperkt door beperkte geannoteerde gegevens en variaties in beeldvorming. Hoewel data-augmentatie dit vermindert, kunnen strategieën die zijn ontworpen voor natuurlijke beelden de fijnmazige topologie en texturen verstoren die essentieel zijn voor identiteitsdiscriminatie. Wij presenteren AGVBench, dat 30 representatieve augmentatiestrategieën evalueert op vijf openbare palm- en vingeraderdatasets met zeven backbone-architecturen, waaronder klassieke CNN's, vision transformers en aderspecifieke herkenningsmodellen. Onze resultaten tonen aan dat meervoudige beeldmengmethoden (bijv. MixUp, PuzzleMix, StarMixup) over het algemeen de beste herkenningsprestaties leveren. Ze zijn echter vaak slecht gekalibreerd en kwetsbaar voor adversarial perturbations, wat een duidelijke inconsistentie laat zien tussen nauwkeurigheid op schone data en adversarial security. We vinden ook dat ernstige geometrische transformaties vaak de herkenning verslechteren, wat mogelijk te wijten is aan feature-misalignment of ruimtelijke cropping, en dat de effectiviteit van augmentatie varieert tussen palm- en vingeraderdatasets. Deze bevindingen tonen aan dat op nauwkeurigheid gerichte evaluatie onvoldoende is voor biometrische augmentatie. AGVBench biedt gestandaardiseerde protocollen om reproduceerbaar onderzoek te ondersteunen en het ontwerp van betrouwbare, veilige en robuuste aderherkenningssystemen te begeleiden. Onze codebase is beschikbaar op 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.