Des recherches ont montré que les réseaux de neurones convolutifs utilisés pour la reconnaissance d'objets sont sensibles aux variations de représentation, car leur apprentissage est biaisé en faveur des statistiques de bas niveau des textures. Des travaux récents se concentrent sur l'amélioration de la robustesse en appliquant des transferts de style aux exemples d'entraînement afin de réduire le surapprentissage à un style de représentation particulier. Bien que ces approches nouvelles améliorent les performances, elles négligent les variations géométriques des formes d'objets observées dans l'art réel : les artistes déforment et déforment les objets à des fins esthétiques. Motivés par cette observation, nous proposons une méthode visant à réduire ce biais en augmentant simultanément la diversité des textures et des géométries dans les données d'entraînement. En pratique, nous étendons la classe d'objets visuels pour inclure des exemples présentant des changements de forme utilisés par les artistes. Plus précisément, nous apprenons la distribution des déformations couvrant chaque classe d'objet donnée. En combinant cette augmentation géométrique avec une augmentation de textures basée sur une large distribution de styles, nous démontrons expérimentalement que notre méthode améliore les performances sur plusieurs benchmarks inter-domaines.