联合优化数据增强和网络训练：人体姿态估计中的对抗性数据增强

随机数据增强是训练深度神经网络模型时避免过拟合的关键技术。然而，数据增强和网络训练通常被视为两个独立的过程，这限制了网络训练的有效性。为什么不将两者联合优化呢？我们提出了一种对抗性数据增强方法来解决这一局限。主要思想是设计一个增强网络（生成器），该网络通过在线生成“困难”的增强操作与目标网络（判别器）进行竞争。增强网络探索目标网络的弱点，而后者则从“困难”的增强中学习以实现更好的性能。我们还设计了一种奖励/惩罚策略，以实现有效的联合训练。我们在人体姿态估计问题上展示了我们的方法，并进行了全面的实验分析，结果表明，我们的方法可以在不增加额外数据努力的情况下显著提升现有最先进模型的性能。