AGVBench: 정맥 인식을 위한 신뢰성 지향 데이터 증강 벤치마크

정맥 인식은 소규모 데이터와 미세한 혈관 토폴로지에 민감한 특성 때문에 일반적인 자연영상 증강법을 그대로 적용하면 식별 성능이 저하될 위험이 있다. AGVBench는 이러한 도메인 특이적 취약성을 다면적으로 정량화하여 단순 정확도 중심의 평가가 바이오메트릭스 환경에서는 불충분함을 보여주었다. 오픈소스 코드와 표준화된 프로토콜을 제공하여 재현 가능한 연구와 실전 배치에서의 신뢰성 확보에 직접적인 기반을 제공한다.

정맥 인식은 혈관의 미세한 토폴로지와 고주파 텍스처에 의존하여 신원 판별을 수행한다. 신경망은 입력 이미지에서 고차원 임베딩을 학습해 클래스 간 거리를 벌리는 방식으로 동작하며, 소규모 데이터 상황에서는 데이터 분포의 희소성으로 인해 과적합이 쉽게 발생한다. 데이터 증강은 훈련 데이터의 가상 다양성을 늘려 경험적 위험을 낮추지만 정맥 특성에 맞지 않는 변환은 결정적 특징을 손상시켜 오히려 성능을 악화시킨다.

AGVBench는 세 가지 증강 범주를 포괄적으로 포함해 단일 이미지 변환, 다중 이미지 혼합, 그리고 레이블 보정 방법을 동일한 프레임워크에서 비교 평가했다. 각 증강 기법은 표준화된 하이퍼파라미터와 구현으로 통일되어 .configs 파일로 구성되며 PyTorch/MMCV 기반의 모듈 레지스트리를 통해 백본과 파이프라인에 연결되었다. 평가 파이프라인은 학습 시 평균화된 마지막 10개 epoch의 정확도 사용, EER과 TAR@FAR=0.0001 계산, ECE 기반 보정 평가, ImageNet-C 유사한 corruption 시리즈(확장된 낮은 강도 포함), FGSM 및 PGD 적대적 공격(ϵ=0.2/255, PGD α=0.05/255, 10 iter), 그리고 occlusion 테스트(마스크 비율 0%→50% 2% 스텝)를 포함하여 다면적 신뢰성 분석을 수행했다.

다섯 개 데이터셋 전반에서 다중 이미지 혼합 기법이 Top-1 정확도와 TAR@FAR에서 우수한 결과를 보였다. 예를 들어 VERA220에서 ResNet18에 MixUp은 71.45%→95.27%로 정확도를 크게 향상시켰고 TJU600에서도 MixUp과 PuzzleMix는 높은 TAR을 달성했다. 그러나 보정 및 적대적 강인성 평가는 이와 상충하여 MixUp 계열은 높은 ECE와 PGD에 대한 심각한 성능 저하를 보였고 반대로 LabelSmoothing 계열은 적대적 공격에 상대적으로 강한 방어 성능을 나타냈다. 오염(corruption) 실험에서는 MixUp과 PuzzleMix가 C1~C3 수준에서 전반적으로 더 안정적인 성능을 유지했으나 기하학적 변환은 대부분의 조건에서 성능을 저하시켰다.

프레임워크 구조는 .agvbench.models, .agvbench.datasets, .agvbench.models.augments, .configs, .tools 등으로 모듈화되어 있어 백본, 데이터 파이프라인, 증강 모듈을 중앙 구성파일로 조합할 수 있다. 실험은 입력 해상도 224×224로 통일하고 모든 모델을 scratch로 학습했으며 ResNet18·MobileNetv2는 SGD(초기 lr=0.01)를, FVRASNet·AMPVNet·ViT-S·Swin-T는 AdamW(초기 lr=0.001, weight decay=0.01)를 사용하고 cosine annealing으로 학습률을 0까지 감쇠시키며 총 600 epoch를 수행했다. 증강 유형별로는 single-image(기하·픽셀), multi-image(글로벌/마스크 기반 혼합), label-enhancement(정적/동적 스무딩)으로 분류하고 각 기법은 동일한 실험 조건하에서 비교되었다. 보정 평가는 ECE를 사용하여 예측 신뢰도 구간별 정확도 편차의 가중 평균으로 산출했고 오염 평가에서는 기존 ImageNet-C의 19종 왜곡을 기반으로 두 개의 낮은 강도(C1/C2)를 추가하여 섬세한 정맥 텍스처 취약성을 포착했다. 적대적 공격은 ℓ∞ 제약으로 FGSM(ϵ=0.2/255)와 PGD(ϵ=0.2/255, α=0.05/255, 10 iter)를 적용해 분류 정확도 하락을 측정했다.

논문은 AGVBench가 증강 기법의 다차원 성능을 비교하는 강력한 출발점을 제공하지만 일부 한계가 명시되어 있다. 첫째, 실험은 모든 모델을 scratch로 학습했으며 사전학습 가중치를 활용하는 시나리오에 대한 결과는 포함되지 않았다. 둘째, 적대적 공격 설정은 ℓ∞ 제약의 특정 파라미터(ϵ=0.2/255)에 의존하므로 다른 공격 규격에서는 결과가 달라질 수 있다. 셋째, 데이터셋에 따른 모달리티 의존성이 커서 하나의 범용 증강 전략으로 모든 정맥 데이터에 일관된 개선을 보장하지는 못한다.