La détection d’interactions homme-objet (HOI) nécessite une grande quantité de données annotées. Les algorithmes actuels souffrent d’un nombre insuffisant d’échantillons d’entraînement ainsi que d’un déséquilibre de catégories au sein des jeux de données. Afin d’améliorer l’efficacité des données, nous proposons dans cet article une méthode efficace et performante d’augmentation de données appelée DecAug pour la détection HOI. À partir d’un métrique de similarité d’état des objets que nous avons introduite, nos méthodes permettent de partager des motifs d’objets entre différentes interactions HOI afin de renforcer les caractéristiques locales d’apparence des objets sans modifier leur état. Par ailleurs, nous déplaçons la corrélation spatiale entre les humains et les objets vers d’autres configurations faisables grâce à un modèle de mélanges gaussiens guidé par la posture, tout en préservant leurs interactions. Les expérimentations montrent que notre méthode permet d’obtenir des améliorations allant jusqu’à 3,3 mAP et 1,6 mAP sur les jeux de données V-COCO et HICODET, respectivement, pour deux modèles avancés. En particulier, les interactions peu représentées bénéficient d’améliorations plus marquées. Notre approche peut être facilement intégrée à divers modèles de détection HOI avec une surcharge computationnelle négligeable. Le code source sera rendu publique.