AGVBench: Ориентированный на надежность бенчмарк аугментации данных для распознавания вен

Аннотация

Распознавание вен является безопасной биометрической технологией, часто ограниченной небольшим объемом аннотированных данных и вариациями изображений. Хотя аугментация данных смягчает эту проблему, стратегии, разработанные для естественных изображений, могут нарушать мелкозернистую топологию и текстуры, важные для различения личности. Мы представляем AGVBench, который оценивает 30 репрезентативных стратегий аугментации на пяти общедоступных наборах данных вен ладони и пальцев с использованием семи базовых архитектур, включая классические сверточные нейронные сети, трансформеры зрения и специализированные модели распознавания вен. Наши результаты показывают, что методы смешивания нескольких изображений (например, MixUp, PuzzleMix, StarMixup) в целом обеспечивают наилучшую производительность распознавания. Однако они часто плохо калиброваны и уязвимы для состязательных возмущений, что выявляет явное несоответствие между точностью на чистых данных и устойчивостью к атакам. Мы также обнаружили, что сильные геометрические преобразования часто ухудшают распознавание, что потенциально связано с несовпадением признаков или пространственным обрезанием, и что эффективность аугментации варьируется в зависимости от наборов данных вен ладони и пальцев. Эти результаты доказывают, что оценки, ориентированной исключительно на точность, недостаточно для биометрической аугментации. AGVBench предоставляет стандартизированные протоколы для поддержки воспроизводимых исследований и разработки надежных, безопасных и устойчивых систем распознавания вен. Наш код доступен по адресу 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.