在進行深度學習訓練時，一般是需要大量的資料以確保訓練(training)模型時不會產生過度擬合(over-fitting)的現象，然而對於個人開發者或普通公司在資料收集上要能夠取得完整的資料是相當困難的。本論文在深度學習上提出一個採用全像圖(holographical image)來進行資料增量的法則，由於全像圖除了可以記錄及顯示3D資訊的特性，還可產生具有不同視角的2D影像，可讓用來訓練的資料量擴展，與一般只能夠改變影像的方向和色彩的方法相比，還多增加了不同視角的影像資訊，使得可有效的避免過度擬合的現象與提高辨識的準確性。
由實驗的結果可見得，本論文所提出之資料增量法則的辨識率，是優於未進行資料增量和進行傳統資料增量的結果，同時也顯示出了本論文所提出之資料增量確實可以有效的解決Overfitting的現象，另外，本論文是採用骰子辨識做為實驗時的資料增量的例子，而類似的資料增量方式可使用在不同的應用中。綜合上述，本論文所提出以全像圖為主的資料增量法則在深度學習上會有廣泛的應用。

1. Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. “ Gradient-based learning applied to document recognition. ” Proceedings of the IEEE, 86:2278–2324, 1998.
2. A.Krizhevsky., I.Sutskever., G. E. Hinton. “ImageNet classification with deep convolutional neural networks.” In NIPS, pp. 1106–1114, 2012
3. Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich, “Going Deeper with Convolutions” CVPR2015
4. I.J. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. C. Courville, and Y. Bengio. “Generative adversarial nets”. In Proceedings of NIPS, pages 2672– 2680, 2014
5. 全像術介紹,WIKIPEDIA: https://zh.wikipedia.org/wiki/%E5%85%A8%E6%81%AF%E6%91%84%E5%BD%B1