== Littérature ==
1. Chatzimichailidis et al. GradVis : Visualisation et analyse du second ordre des surfaces d'optimisation pendant l'entraînement des réseaux de neurones profonds. 2019
2. Nikolenko. Données synthétiques pour l'apprentissage profond. 2019
3. Pramerdorfer. Apprentissage profond pour l'informatique visuelle. 2016
4. Zoph et al. Apprentissage des stratégies d'augmentation de données pour la détection d'objets. 2019
5. Wu et al. Création d'un manteau d'invisibilité : Attaques adversariales dans le monde réel sur les détecteurs d'objets. 2019
6. Goodfellow et al. Expliquer et exploiter les exemples adversariaux. 2015.
7. Nicholas et al. DocCreator : Un nouveau logiciel pour créer des images de documents synthétiques vérifiées. 2017
8. Ma. Augmentation de données pour l'audio. 2019.
9. Park et al. SpecAugment : Une méthode simple d'augmentation de données pour la reconnaissance automatique de la parole. 2019.
10. Zach C. État de l'art de l'augmentation de données audio avec SpecAugment et PyTorch. 2019.
11. Kanburoğlu. Augmentation de données audio. 2018
12. Srivastava et al. Dropout : Une méthode simple pour prévenir le surapprentissage des réseaux de neurones. 2014
13. Wei et al. EDA : Techniques d'augmentation de données faciles pour améliorer les performances sur les tâches de classification de texte. 2019.
15. Prince. Modèles de vision par ordinateur. 2012
16. Xie et al. Augmentation de données non supervisée pour l'entraînement par cohérence. 2019
17. DeVries et al. Amélioration de la régularisation des réseaux de neurones convolutifs avec Cutout. 2017
18. Goodfellow et al. Apprentissage profond. 2016
19. Shorten et al. Une enquête sur l'augmentation de données d'image pour l'apprentissage profond. 2019
20. Calvo-Zaragoza et al. Camera-Primus : Reconnaissance musicale optique de bout en bout par réseau neuronal sur des partitions monophoniques réalistes. 2018
21. Ioffe et al. Normalisation par lot : Accélérer l'entraînement des réseaux profonds en réduisant le décalage de covariables internes. 2015.
22. Santurkar et al. Comment la normalisation par lot aide-t-elle à l'optimisation ? 2019.
23. Barnett. Repenser la normalisation par lot. 2019.
24. He et al. Mappings d'identité dans les réseaux résiduels profonds. 2016.
25. Klambauer et al. Réseaux de neurones auto-normalisants. 2017.
26. Zhou, Khosla, Lapedriza, Oliva, Torralba. Apprentissage de caractéristiques profondes pour la localisation discriminative. 2015.
27. Rajpurkar et al. CheXNet : Détection de pneumonie au niveau radiologue sur des radiographies thoraciques avec apprentissage profond. 2017.
28. Su et al. Attaques par un pixel pour tromper les réseaux de neurones. 2017.
29. Prija. Construire de meilleurs modèles d'apprentissage profond avec normalisation par lot et par couche.
30. Izmailov et al. La moyenne des poids conduit à des optima plus larges et à une meilleure généralisation. 2018