== Literatura ==
1. Chatzimichailidis et al. GradVis: Visualização e Análise de Segunda Ordem de Superfícies de Otimização durante o Treinamento de Redes Neurais Profundas. 2019
2. Nikolenko. Dados Sintéticos para Deep Learning. 2019
3. Pramerdorfer. Deep Learning para Computação Visual. 2016
4. Zoph et al. Aprendendo Estratégias de Aumento de Dados para Detecção de Objetos. 2019
5. Wu et al. Criando uma Capa de Invisibilidade: Ataques Adversariais do Mundo Real em Detectores de Objetos. 2019
6. Goodfellow et al. Explicando e Aproveitando Exemplos Adversariais. 2015.
7. Nicholas et al. DocCreator: Um Novo Software para Criar Imagens de Documentos Sintéticos com Verdade de Terreno. 2017
8. Ma. Aumento de Dados para Áudio. 2019.
9. Park et al. SpecAugment: Um Método Simples de Aumento de Dados para Reconhecimento Automático de Fala. 2019.
10. Zach C. A Última Palavra em Aumento de Dados de Áudio com SpecAugment e PyTorch. 2019.
11. Kanburoğlu. Aumento de Dados de Áudio. 2018
12. Srivastava et al. Dropout: Uma Maneira Simples de Prevenir o Overfitting em Redes Neurais. 2014
13. Wei et al. EDA: Técnicas Fáceis de Aumento de Dados para Melhorar o Desempenho em Tarefas de Classificação de Texto. 2019.
15. Prince. Modelos de Visão Computacional. 2012
16. Xie et al. Aumento de Dados Não Supervisionado para Treinamento de Consistência. 2019
17. DeVries et al. Regularização Aprimorada de Redes Neurais Convolucionais com Cutout. 2017
18. Goodfellow et al. Deep Learning. 2016
19. Shorten et al. Uma pesquisa sobre Aumento de Dados de Imagem para Deep Learning. 2019
20. Calvo-Zaragoza et al. Camera-Primus: Reconhecimento Óptico de Música Neural de Ponta a Ponta em Partituras Monofônicas Realistas. 2018
21. Ioffe et al. Normalização em Lote: Acelerando o Treinamento de Redes Neurais Profundas ao Reduzir o Deslocamento de Covariáveis Internas. 2015.
22. Santurkar et al. Como a Normalização em Lote Ajuda na Otimização? 2019.
23. Barnett. Repensando a Normalização em Lote. 2019.
24. He et al. Mapeamentos de Identidade em Redes Residuals Profundas. 2016.
25. Klambauer et al. Redes Neurais Auto-Normalizadoras. 2017.
26. Zhou, Khosla, Lapedriza, Oliva, Torralba. Aprendendo Recursos Profundos para Localização Discriminativa. 2015.
27. Rajpurkar et al. CheXNet: Detecção de Pneumonia em Nível de Radiologista em Raios-X de Tórax com Deep Learning. 2017.
28. Su et al. Ataques de Um Pixel para Enganar Redes Neurais. 2017.
29. Prija. Construa Melhores Modelos de Deep Learning com Normalização em Lote e de Camada.
30. Izmailov et al. A Média de Pesos Leva a Óptimos Mais Amplos e Melhor Generalização. 2018