Zufällige Datenverstärkung ist eine entscheidende Technik, um das Überanpassen bei der Ausbildung tiefer neuronaler Netzmodelle zu vermeiden. Allerdings werden die Datenverstärkung und das Netztraining in der Regel als zwei getrennte Prozesse betrachtet, was die Effektivität des Netztrainings einschränkt. Warum nicht beide gleichzeitig optimieren? Wir schlagen eine feindliche Datenverstärkung (adversarial data augmentation) vor, um diese Einschränkung zu überwinden. Das Kernkonzept besteht darin, ein Verstärkungsnetz (Generator) zu entwerfen, das sich gegen ein Zielnetz (Diskriminator) durch die Generierung von 'schwierigen' Verstärkungsoperationen im Online-Modus behauptet. Das Verstärkungsnetz erforscht die Schwachstellen des Zielnetzes, während letzteres aus den 'schwierigen' Verstärkungen lernt, um eine bessere Leistung zu erzielen. Zudem entwickeln wir eine Strategie für Belohnungen/Sanktionen zur effektiven gemeinsamen Ausbildung. Wir demonstrieren unseren Ansatz am Problem der menschlichen Poseestimation und führen eine umfassende experimentelle Analyse durch, die zeigt, dass unsere Methode signifikante Verbesserungen an den Standesmodellen ohne zusätzliche Dateneffekte bringt.