AGVBench: Um Benchmark Orientado à Confiabilidade de Aumento de Dados para Reconhecimento de Veias

Resumo

O reconhecimento de veias é uma tecnologia biométrica segura, frequentemente limitada por dados anotados escassos e variações de imagem. Embora a aumento de dados mitigue esse problema, estratégias projetadas para imagens naturais podem prejudicar a topologia de granulação fina e as texturas essenciais para a discriminação de identidade. Apresentamos o AGVBench, que avalia 30 estratégias representativas de aumento de dados em cinco conjuntos de dados públicos de veias palmares e digitais, com sete arquiteturas de base, abrangendo CNNs clássicas, transformers de visão e modelos específicos de reconhecimento de veias. Nossos resultados mostram que métodos de mistura de múltiplas imagens (ex.: MixUp, PuzzleMix, StarMixup) geralmente proporcionam o melhor desempenho de reconhecimento. No entanto, eles são frequentemente mal calibrados e vulneráveis a perturbações adversariais, revelando uma clara inconsistência entre acurácia limpa e segurança adversarial. Também constatamos que transformações geométricas severas frequentemente degradam o reconhecimento, potencialmente devido ao desalinhamento de características ou recorte espacial, e que a eficácia do aumento varia entre conjuntos de dados de veias palmares e digitais. Essas descobertas comprovam que a avaliação centrada na acurácia é insuficiente para a aumento biométrico. O AGVBench fornece protocolos padronizados para apoiar pesquisas reproduzíveis e orientar o projeto de sistemas de reconhecimento de veias confiáveis, seguros e robustos. Nosso código está disponível em 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.