vision-transformer data-augmentation cnn vein-recognition biometric-security mixup palm-vein finger-vein
Abstract
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.
한국어 요약
한 줄 요약
AGVBench는 정맥 인식에서 데이터 증강의 신뢰성을 평가하기 위한 표준 벤치마크를 제시한다.
핵심 기여도
- 30개의 대표 증강 전략을 5개의 공개 정맥 데이터셋과 7개의 백본 아키텍처에서 평가.
- MixUp, PuzzleMix, StarMixup과 같은 멀티 이미지 믹싱 방법이 가장 높은 인식 성능을 보임.
- 믹싱 방법은 정확도는 높지만, 적대적 퍼트urbation에 취약하고, 보안성과 정확도 간 불일치가 드러남.
- 심한 기하학적 변형은 특징 불일치로 인해 인식 성능을 저하시킴.
핵심 아이디어
기존 자연 이미지용 데이터 증강 전략은 정맥 인식에서 미세한 토폴로지와 텍스처를 손상시킬 수 있다. 이에 AGVBench는 정맥 인식의 신뢰성과 안정성을 평가하는 데 초점을 맞춘다. 특히, 정확도 중심의 평가가 부족하다는 점을 강조하며, 보안성, 재현성, 안정성까지 고려한 종합적 평가 프레임워크를 제시한다. 이는 기존의 CNN, Vision Transformer, 정맥 전용 모델을 아우르는 다각적인 평가를 통해 입증된다.
기술적 접근법
- 30개의 증강 전략을 5개의 공개 정맥 데이터셋 (명시되지 않음)에 적용.
- 7개의 백본 아키텍처: classic CNNs, Vision Transformers, 정맥 인식 전용 모델.
- 믹싱 기법 (MixUp, PuzzleMix, StarMixup)과 기하학적 변형 (예: 회전, 크롭)을 포함.
- 정확도 외에도 적대적 퍼트urbation에 대한 취약성, 보안성, 재현성 등을 평가 지표로 사용.
주요 결과
- MixUp, PuzzleMix, StarMixup은 가장 높은 인식 성능을 보임.
- 믹싱 기법은 정확도는 높지만, 적대적 퍼트urbation에 취약하여 보안성과 정확도 간 불일치가 명확.
- 심한 기하학적 변형은 특징 불일치로 인해 인식 성능을 저하시킴.
- 증강 효과는 팔 정맥과 손가락 정맥 데이터셋 간 차이가 있음.
의의 및 한계
AGVBench는 정맥 인식 분야에서 데이터 증강의 신뢰성과 안정성을 평가하는 첫 번째 종합적 벤치마크로, 정확도 중심의 평가가 부족하다는 문제를 드러낸다. 이는 보안성과 재현성을 고려한 시스템 설계에 중요한 기초 자료가 된다. 다만, 사용된 데이터셋 이름과 특정 모델 구조는 명시되지 않았으며, 보다 다양한 환경에서의 평가가 필요하다.
실용적 활용
AGVBench는 생체 인식 시스템 설계자들이 신뢰성 있는 데이터 증강 전략을 선택하는 데 활용할 수 있으며, 특히 의료, 보안, 금융 분야의 정맥 인식 기반 인증 시스템 개발에 기여할 수 있다.