L'augmentation de données aléatoire est une technique cruciale pour éviter le surapprentissage lors de l'entraînement de modèles de réseaux neuronaux profonds. Cependant, l'augmentation de données et l'entraînement du réseau sont généralement traités comme deux processus isolés, ce qui limite l'efficacité de l'entraînement du réseau. Pourquoi ne pas optimiser conjointement les deux ? Nous proposons une augmentation de données antagoniste pour surmonter cette limitation. L'idée principale consiste à concevoir un réseau d'augmentation (générateur) qui entre en compétition avec un réseau cible (discriminateur) en générant des opérations d'augmentation « difficiles » en ligne. Le réseau d'augmentation explore les faiblesses du réseau cible, tandis que ce dernier apprend à partir des augmentations « difficiles » pour améliorer ses performances. Nous avons également élaboré une stratégie de récompense/pénalisation pour une formation conjointe efficace. Nous illustrons notre approche sur le problème de l'estimation de la posture humaine et menons une analyse expérimentale complète, démontrant que notre méthode peut considérablement améliorer les modèles de pointe sans nécessiter des efforts supplémentaires en termes de données.