ランダムデータ拡張は、深層ニューラルネットワークモデルの訓練において過学習を避けるための重要な技術です。しかし、データ拡張とネットワーク訓練は通常、二つの独立したプロセスとして扱われており、これによりネットワーク訓練の効果が制限されています。では、これら二つを同時最適化できないでしょうか？私たちはこの制限に対処するために敵対的データ拡張を提案します。主なアイデアは、オンラインで「難しい」拡張操作を生成するターゲットネットワーク（識別器）に対して競争する拡張ネットワーク（ジェネレータ）を設計することです。「難しい」拡張操作を通じて、拡張ネットワークはターゲットネットワークの弱点を探し出し、一方でターゲットネットワークはそれらから学習してより良い性能を達成します。また、効果的な共同訓練のために報酬/罰則戦略も設計しました。私たちの手法を人間姿勢推定問題に適用し、包括的な実験分析を行いました。その結果、追加のデータ努力なしに最先端モデルの性能を大幅に向上させることができることが示されました。