== Literatur ==
1. Chatzimichailidis et al. GradVis: Visualisierung und Analyse zweiter Ordnung von Optimierungsoberflächen während des Trainings tiefer neuronaler Netzwerke. 2019
2. Nikolenko. Synthetische Daten für Deep Learning. 2019
3. Pramerdorfer. Deep Learning für visuelle Datenverarbeitung. 2016
4. Zoph et al. Lernen von Datenaugmentierungsstrategien für die Objekterkennung. 2019
5. Wu et al. Herstellung eines Unsichtbarkeitsmantels: Reale adversarielle Angriffe auf Objekterkenner. 2019
6. Goodfellow et al. Erklären und Nutzen adversarieller Beispiele. 2015.
7. Nicholas et al. DocCreator: Eine neue Software zur Erstellung synthetischer, grundwahrheitsgetreuer Dokumentenbilder. 2017
8. Ma. Datenaugmentation für Audio. 2019.
9. Park et al. SpecAugment: Eine einfache Methode zur Datenaugmentation für automatische Spracherkennung. 2019.
10. Zach C. State of the Art Audio-Datenaugmentation mit SpecAugment und PyTorch. 2019.
11. Kanburoğlu. Audio-Datenaugmentation. 2018
12. Srivastava et al. Dropout: Eine einfache Methode zur Verhinderung von Overfitting in neuronalen Netzwerken. 2014
13. Wei et al. EDA: Einfache Datenaugmentierungstechniken zur Leistungssteigerung bei Textklassifizierungsaufgaben. 2019.
15. Prince. Computer Vision Modelle. 2012
16. Xie et al. Unsupervised Data Augmentation für Konsistenztraining. 2019
17. DeVries et al. Verbesserte Regularisierung von Convolutional Neural Networks mit Cutout. 2017
18. Goodfellow et al. Deep Learning. 2016
19. Shorten et al. Eine Umfrage zur Bilddatenaugmentation für Deep Learning. 2019
20. Calvo-Zaragoza et al. Camera-Primus: Neuronale End-to-End optische Musikrecognition auf realistischen monophonen Noten. 2018
21. Ioffe et al. Batch-Normalisierung: Beschleunigung des Trainings tiefer Netzwerke durch Reduzierung des internen Kovariate-Shifts. 2015.
22. Santurkar et al. Wie hilft Batch-Normalisierung bei der Optimierung? 2019.
23. Barnett. Batch-Normalisierung neu überdenken. 2019.
24. He et al. Identitätsabbildungen in tiefen Residualnetzwerken. 2016.
25. Klambauer et al. Selbstnormalisierende neuronale Netzwerke. 2017.
26. Zhou, Khosla, Lapedriza, Oliva, Torralba. Lernen tiefer Merkmale für diskriminative Lokalisierung. 2015.
27. Rajpurkar et al. CheXNet: Pneumonieerkennung auf Röntgenbildern mit Deep Learning auf Radiologen-Niveau. 2017.
28. Su et al. One Pixel Angriffe zur Täuschung neuronaler Netzwerke. 2017.
29. Prija. Bessere Deep Learning Modelle mit Batch- und Layer-Normalisierung erstellen.
30. Izmailov et al. Durchschnittsbildung von Gewichten führt zu breiteren Optima und besserer Generalisierung. 2018