Dans la plupart des scénarios du monde réel, les jeux de données d'entraînement étiquetés présentent un déséquilibre de classes important, ce qui entraîne des difficultés pour les réseaux neuronaux profonds à généraliser selon un critère de test équilibré. Dans cet article, nous explorons une nouvelle approche simple pour atténuer ce problème en augmentant les classes peu fréquentes par la transformation d'échantillons (par exemple, des images) provenant des classes plus fréquentes. Cette méthode élégante permet au classificateur d'apprendre des caractéristiques plus généralisables pour les classes minoritaires, en transférant et en exploitant la diversité des informations issues des classes majoritaires. Nos résultats expérimentaux sur divers jeux de données déséquilibrés montrent que la méthode proposée améliore de manière significative la généralisation sur les classes minoritaires par rapport à d'autres méthodes existantes de rééchantillonnage ou de répoidsage. Les performances de notre approche dépassent même celles des méthodes les plus avancées précédemment publiées pour la classification déséquilibrée.