論文の概要: AGVBench: A Reliability-Oriented Benchmark of Data Augmentation for Vein Recognition

• arxiv url: http://arxiv.org/abs/2607.02271v1
• Date: Thu, 02 Jul 2026 14:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.877604
• Title: AGVBench: A Reliability-Oriented Benchmark of Data Augmentation for Vein Recognition
• Title（参考訳）: AGVBench: 静脈認識のための信頼性指向型データ拡張ベンチマーク
• Authors: Haiyang Li, Yuming Fu, Qun Song, Hongchao Liao, Jing Chen, Mounim A. EI-Yacoubi, Xin Jin,
• Abstract要約: 静脈認識は、限られた注釈付きデータと画像のバリエーションによって制約される安全な生体計測技術である。 本稿では、5つのパームおよびフィンガーベインデータセットに対して30の代表的な増強戦略を評価するAGVBenchを提案する。
• 参考スコア（独自算出の注目度）: 9.707890074766501
• License: http://creativecommons.org/licenses/by/4.0/
• 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.
• Abstract（参考訳）: 静脈認識は、限られた注釈付きデータと画像のバリエーションによって制約される安全な生体計測技術である。 データ強化がこれを緩和する一方で、自然画像用に設計された戦略は、識別に不可欠なきめ細かいトポロジーやテクスチャを阻害する可能性がある。 本稿では,従来のCNN,視覚トランスフォーマー,静脈固有認識モデルをカバーする5つのパブリックパームおよびフィンガーベインデータセットに対して,30の代表的な拡張戦略を評価するAGVBenchを提案する。 以上の結果から,MixUp,PuzzleMix,StarMixupなどのマルチイメージミキシング手法が,一般的に最も優れた認識性能を提供することがわかった。 しかし、しばしば校正が不十分で、敵の摂動に弱いため、清潔な正確さと敵の安全との明確な矛盾が明らかになる。 また,特徴的不整合や空間的収穫が原因と考えられる重度の幾何学的変化は,手のひらや指の静脈のデータセットによって異なることが判明した。 以上の結果から,バイオメトリック拡張には精度中心評価が不十分であることが示唆された。 AGVBenchは再現可能な研究を支援するための標準化されたプロトコルを提供し、信頼性があり、セキュアで堅牢な静脈認識システムの設計を導く。 私たちのコードベースはhttps://github.com/Advance-VeinTech-Innovators/AGVBenchで公開されています。

関連論文リスト

• Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
  本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。 テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
  論文  参考訳（メタデータ） (2025-08-12T17:19:20Z)
• Enhancing Fingerprint Recognition Systems: Comparative Analysis of Biometric Authentication Algorithms and Techniques for Improved Accuracy and Reliability [0.0]
  本研究では,指紋認識精度と堅牢性を向上させるために,畳み込みニューラルネットワーク(CNN)とGaborフィルタを統合することを検討した。 以上の結果から,CNNによるアプローチの優位性が示唆され,全体の精度は94%であった。
  論文  参考訳（メタデータ） (2024-12-18T23:23:50Z)
• Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
  実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。 それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。 以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T01:17:27Z)
• Embedding Non-Distortive Cancelable Face Template Generation [22.80706131626207]
  我々は、目では認識できないが、任意のカスタム埋め込みニューラルネットワークモデルで識別可能な顔画像を実現する革新的な画像歪み技術を導入する。 生体認証ネットワークの信頼性を,予測された同一性を変化させない最大画像歪みを判定することによって検証する。
  論文  参考訳（メタデータ） (2024-02-04T15:39:18Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• Unrecognizable Yet Identifiable: Image Distortion with Preserved Embeddings [22.338328674283062]
  本稿では,ニューラルネットワークモデルによる顔画像の識別性を保ちながら,目に対して認識不能な顔画像を描画する,革新的な画像変換手法を提案する。 提案手法は、様々な人工知能アプリケーションにおいて、視覚データを歪曲し、派生した特徴を近接に保つために使用することができる。 同一の認識精度を維持しつつ、画像内容が70%以上変化する歪みを構築することができることを示す。
  論文  参考訳（メタデータ） (2024-01-26T18:20:53Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。