AGVBench：面向可靠性的静脉识别数据增强基准测试

Hugging Face Daily Papers 论文
vein-recognition data-augmentation biometrics benchmark reliability computer-vision open-source

摘要

AGVBench是一个面向可靠性的静脉识别数据增强基准测试，评估了多个数据集和骨干网络上的30种增强策略，揭示了准确性与安全性之间的解耦。

静脉识别是一种安全的生物识别技术，但常受限于标注数据有限和成像变化。虽然数据增强可以缓解这一问题，但为自然图像设计的策略可能会破坏身份鉴别所必需的细粒度拓扑结构和纹理。我们提出了AGVBench，它在七个骨干架构上评估了五种公开手掌和手指静脉数据集上的30种代表性增强策略，涵盖经典CNN、视觉Transformer和静脉专用识别模型。我们的结果表明，多图像混合方法（例如MixUp、PuzzleMix、StarMixup）通常能提供最强的识别性能。然而，它们通常校准不良且易受对抗性扰动影响，揭示了干净准确性与对抗安全性之间的明显不一致。我们还发现，严重的几何变换经常降低识别性能，这可能是由于特征错位或空间裁剪所致，并且增强效果在手和手指静脉数据集之间存在差异。这些发现证明，以准确性为中心的评估对于生物特征增强是不够的。AGVBench提供了标准化协议以支持可重复研究，并指导可靠、安全和稳健的静脉识别系统的设计。我们的代码库可在 https://github.com/Advance-VeinTech-Innovators/AGVBench 获取。
查看原文
查看缓存全文

缓存时间: 2026/07/03 11:54

论文页面 - AGVBench：一个面向可靠性的静脉识别数据增强基准

来源：https://huggingface.co/papers/2607.02271 TL;DR：我们开源了 AGVBench，这是首个面向可靠性的静脉识别数据增强基准。通过在 5 个公开的掌静脉和指静脉数据集上，使用 7 种骨干架构系统评估 30 种代表性增强策略，我们证明了仅依赖以准确率为中心的评估不足以衡量生物识别系统的可靠性。

image (https://cdn-uploads.huggingface.co/production/uploads/66aa39349238d9c3a1c7f9dc/USCrsFlloCGzKs5kJylcB.png)

📌 关键发现：

🔹 准确率–安全性解耦：多图像混合方法（如 MixUp 和 PuzzleMix）通常能取得最强的识别性能，然而它们往往校准不佳且更容易受到对抗扰动的影响，这揭示了干净准确率与对抗安全性之间的明显不一致性。

🔹 几何变换导致的性能下降：严重的几何变换会持续降低识别性能，其原因很可能是特征未对齐或空间裁剪，而非直接破坏静脉拓扑结构。

🔹 模态差异：增强策略的有效性在掌静脉和指静脉数据集上存在显著差异，表明没有任何单一增强策略能够普遍适用于不同的静脉模态。

🚀 超越基准测试，AGVBench 旨在作为面向可靠性的静脉识别的开放研究平台，促进可复现评估，启发下一代增强算法的开发，并推动可信生物识别系统在实际应用中的部署。

🏠 项目页面：https://advance-veintech-innovators.github.io/AGVBench/

📄 ArXiv 论文：https://arxiv.org/abs/2607.02271

💻 代码与基准：https://github.com/Advance-VeinTech-Innovators/AGVBench

相似文章

VEFX-Bench：通用视频编辑与视觉特效的全方位基准

Hugging Face Daily Papers

VEFX-Bench 引入了一个大规模人工标注的视频编辑数据集（5,049个样本），包含多维质量标签，以及一个专门用于标准化评估视频编辑系统的奖励模型。该论文针对AI辅助视频创作中缺乏全面基准的问题，提供了VEFX-Dataset、VEFX-Reward和一个300个视频提示对的基准测试，揭示了当前编辑模型中的差距。

识别与解决知识型VQA基准测试的陷阱：审计、修复与增强

arXiv cs.CL

本文对知识型VQA基准进行了审计，揭示了系统性的假设违反，使得准确率成为误导性指标。它提出了一种修复协议和多实体增强方法，以恢复答案可推导性和问题清晰度，表明修正后的设置产生了显著不同的模型排名。