AGVBench: A Reliability-Oriented Benchmark of Data Augmentation for Vein Recognition

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

Definição do Problema
O reconhecimento de veias é uma tecnologia biométrica segura, limitada pelo dilema da "amostra pequena" inerente à aquisição biométrica e pela escassez de dados anotados. Embora o aumento de dados (DA - Data Augmentation) seja a estratégia de mitigação padrão, a maioria das abordagens existentes herda políticas otimizadas para imagens naturais. Os autores argumentam que essas estratégias frequentemente negligenciam as diferenças morfológicas fundamentais entre objetos semânticos e estruturas vasculares. Transformações agressivas projetadas para imagens naturais correm o risco de obliterar os detalhes topológicos delicados e de alta frequência essenciais para a discriminação de identidade em padrões de veias. Além disso, o campo carece de um benchmark padronizado e abrangente para avaliar como esses aumentos afetam a fidelidade biométrica, a calibração e a segurança em diversas arquiteturas neurais.

Metodologia
O artigo apresenta o AGVBench, um benchmark de larga escala e código aberto projetado para avaliar sistematicamente as estratégias de aumento de dados especificamente para o reconhecimento de veias. O framework é construído sobre PyTorch e o ecossistema MMCV, apresentando uma arquitetura modular que desacopla pipelines de dados, backbones de modelos, módulos de aumento e scripts de avaliação.

• Escopo: O benchmark avalia 30 estratégias de aumento representativas em cinco conjuntos de dados públicos (três de veia de palma: VERA220, TJU600, SCUT1100; dois de veia de dedo: FV-USM, SDUMLA-HMT) e sete arquiteturas de backbone (incluindo CNNs como ResNet18, MobileNetv2; Vision Transformers como ViT-S, Swin-T; e modelos específicos para veias como FVRASNet, AMPVNet, StarLKNet-S).
• Categorias de Aumento: O estudo abrange Aumento de Imagem Única (geométrico, nível de pixel, orientado por política), Aumento de Múltiplas Imagens (métodos de mistura como MixUp, CutMix, PuzzleMix) e Refinamento de Rótulos (Label Enhancement: suavização, bootstrapping).
• Protocolo de Avaliação: Além da Acurácia Top-1 padrão, o benchmark emprega uma avaliação de seis dimensões orientada à confiabilidade:
  1. Desempenho de Reconhecimento: Acurácia, Taxa de Erro Igual (EER) e Taxa de Aceitação Verdadeira em FAR=0.0001 (TAR@FAR).
  2. Calibração: Erro de Calibração Esperada (ECE) para medir a confiabilidade da confiança.
  3. Robustez à Corrupção: Desempenho sob 19 corrupções de imagem distintas (incluindo níveis inéditos de baixa intensidade C1/C2 adaptados para a fragilidade das veias).
  4. Robustez Adversária: Resistência a ataques FGSM e PGD.
  5. Robustez à Oclusão: Desempenho sob máscara espacial.
  6. Eficiência: Tempo de treinamento, pegada de memória, GFLOPs e sobrecarga de parâmetros, resumidos via uma métrica de Ranking APEX (eficiência de Pareto).

Principais Contribuições

1. Primeiro Benchmark de Larga Escala: O AGVBench é o primeiro framework abrangente a avaliar sistematicamente estratégias de aumento para reconhecimento de veias através de múltiplas modalidades e arquiteturas.
2. Revelação do Desacoplamento de Métricas: O estudo revela uma inconsistência crítica onde métodos que alcançam o estado da arte em acurácia limpa (especificamente métodos de mistura de múltiplas imagens) frequentemente exibem erros de calibração severos e alta vulnerabilidade a perturbações adversárias.
3. Base de Código Padronizada: Os autores lançam uma biblioteca unificada e de código aberto para facilitar a pesquisa reprodutível, padronizando protocolos de pré-processamento, treinamento e avaliação para eliminar o processo de tentativa e erro prevalente atualmente no campo.

Principais Resultados

• Troca entre Desempenho vs. Robustez: Métodos de mistura de múltiplas imagens (ex: MixUp, PuzzleMix, StarMixup) dominam consistentemente as métricas de Top-1 Accuracy, EER e TAR, frequentemente superando significativamente os baselines (ex: MixUp no VERA220 com ResNet18 alcançou 95,27% de acurácia vs. 71,45% do baseline). No entanto, esses mesmos métodos são frequentemente mal calibrados (alto ECE) e altamente vulneráveis a ataques adversários (ex: a acurácia do MixUp caiu para 4,87% sob PGD no TJU600).
• Transformações Geométricas: Transformações geométricas severas (Flip, Rotate, Translation) frequentemente degradam o desempenho do reconhecimento em todos os datasets, provavelmente devido ao desalinhamento de características ou à destruição da topologia vascular fina.
• Dependência de Modalidade: A eficácia do aumento varia significativamente entre os datasets de veia de palma e de dedo. Por exemplo, o MixUp se destaca em veias de palma, mas degrada o desempenho no dataset de veia de dedo SDUMLA-HMT em comparação ao baseline.
• Refinamento de Rótulos: Técnicas de suavização de rótulos (ex: LabelSmoothing, DirichletLabelSmooth) demonstraram a robustez adversária mais forte, muitas vezes dobrando a resistência do baseline a ataques, embora às vezes tenham ficado atrás em termos de acurácia bruta em comparação aos métodos de mistura.
• Eficiência: Métodos como MixUp e StarMixup ofereceram o melhor equilíbrio entre ganhos de desempenho e sobrecarga computacional, enquanto métodos baseados em política como TeachAugment incorreram em altos custos de treinamento com retornos marginais ou negativos.

Significância
O artigo argumenta que a avaliação centrada apenas na acurácia é insuficiente para sistemas biométricos. O AGVBench demonstra que uma alta acurácia em condições limpas não equivale a confiabilidade ou segurança. Ao revelar o desacoplamento entre desempenho de reconhecimento, calibração e robustez adversária, o benchmark orienta o design de futuros sistemas de reconhecimento de veias que devem ser não apenas precisos, mas também seguros e confiáveis em implantações do mundo real. Os autores postulam que o AGVBench serve como um recurso fundamental para reduzir a lacuna entre a pesquisa teórica e a implementação prática, fomentando o desenvolvimento de pipelines de aumento específicos para veias que sejam robustos.