Corrige erros de português e estilo de citação

Usa \citeonline inves de \cite quando há citação direta no texto.

2-textuais/1-introducao.tex

@@ -11,7 +11,7 @@ \chapter{INTRODUÇÃO}\label{cap:introducao}
 
 A segmentação de uma imagem pode ser feita manualmente por um anotador
 humano marcando as linhas delineadoras de um objeto. Por outro lado,
-são conhecidos algoritmos variados para segmentação de imagens baseados
+são conhecidos variados algoritmos para segmentação de imagens baseados
 em aprendizagem de máquina, que através de exemplos de segmentação
 fornecidos para treinamento é possível inferir a segmentação de novas imagens.
 
@@ -76,10 +76,10 @@ \section{Trabalhos relacionados}\label{cap:trabalhos-relacionados}
 
 Técnicas de segmentação de imagens com o paradigma semi-supervisionado
 estão em foco atualmente no campo médico, como pode ser visto em
-~\cite{LuoSemiSupervised2021}. Nesse artigo, uma das grandes
+~\citeonline{LuoSemiSupervised2021}. Nesse artigo, uma das grandes
 motivações de os autores utilizarem uma técnica semi-supervisionada
-está relacionado com a dificuldade de possuir dados anotados de dados
-em um domínio de dados, como imagens hospitalares.
+está relacionada com a dificuldade de adquirir dados rotulados em
+domínios especializados, como imagens hospitalares.
 
 Em relação ao tópico de redes complexas e dinâmicas coletivas, é
 possível mencionar o trabalho feito com o algoritmo \gls{LCU}
@@ -155,7 +155,7 @@ \subsection{GrabCut: Interactive Foreground Extraction Using Iterated
   Graph Cuts}\label{sec:grabcut}
 
 Neste trabalho, um dos pioneiros em segmentação interativa, os
-autores~\cite{rother2004grabcut} desenvolveram uma técnica para segmentação interativa
+autores~\citeonline{rother2004grabcut} desenvolveram uma técnica para segmentação interativa
 chamada GrabCut baseado em um mapeamento da imagem como um grafo e
 então um corte entre as arestas é realizado para segmentar o objeto do
 plano de fundo.
@@ -164,7 +164,7 @@ \subsection{GrabCut: Interactive Foreground Extraction Using Iterated
 \subsection{Aplicação de agrupamento semi-supervisionado para segmentação
   de imagens coloridas}\label{sec:franciscolira2018}
 
-Neste trabalho, o autor~\cite{franciscolira2018}, na sua tese de
+Neste trabalho, o autor~\citeonline{franciscolira2018}, na sua tese de
 graduação, propõe variações de um algoritmo de segmentação de imagem
 semi-supervisionado combinando algoritmos de agrupamento, como
 \textit{Fuzzy C-Means}, Algoritmo de Pedrycs, Algoritmo
@@ -173,13 +173,13 @@ \subsection{Aplicação de agrupamento semi-supervisionado para segmentação
 
 \subsection{FocalClick: Towards Practical Interactive Image Segmentation}\label{sec:focalclick}
 
-Neste trabalho, os autores~\cite{chen2022focalclick} criam uma técnica de
+Neste trabalho, os autores~\citeonline{chen2022focalclick} criam uma técnica de
 segmentação interativa em busca da praticidade, ao medir dois aspectos
 importantes além de qualidade de segmentação: necessidade de anotação
 e tempo de execução. O trabalho em sua metodologia de avaliação
 utiliza métricas para minimizar interações que os usuários tenham que
 fazer para alcançar uma segmentação de qualidade. Essa técnica se
-baseia num algoritmo iterativo que possui capacidades de correção ao
+baseia em um algoritmo iterativo que possui capacidades de correção ao
 incluir novas marcações. Na Figura~\ref{fig:focalclick} é possível visualizar uma
 visão geral da técnica:
 
@@ -200,7 +200,7 @@ \subsection{FocalClick: Towards Practical Interactive Image Segmentation}\label{
 \subsection{Interactive image segmentation based on multi-layer
 random forest classifiers}\label{sec:superpixel-random-forest}
 
-Neste trabalho, as autoras~\cite{shan2023interactive} criam uma nova
+Neste trabalho, as autoras~\citeonline{shan2023interactive} criam uma nova
 técnica para segmentação interativa de imagens combinando uma
 pré-segmentação usando superpixels e duas camadas de modelos
 \textit{random forest} para classificar o agrupamento entre os
@@ -252,7 +252,7 @@ \section{Objetivos Específicos}\label{sec:objetivo-geral}
 \item Explorar técnicas de redes complexas e dinâmicas coletivas sobre
   o problema de segmentação de imagens.
 \item Aplicar em casos variados de segmentação de imagens, como
-  objetos comuns, carros.
+  objetos comuns, carros, pessoas, paisagens, etc.
 \item Avaliar o impacto da segmentação por superpixel na segmentação final.
 \item Desenvolver uma ferramenta para segmentação interativa
   utilizando o método de segmentação proposto.

2-textuais/2-fundamentacao-teorica.tex

@@ -36,14 +36,14 @@ \section{Segmentação interativa de imagens}\label{sec:segmentacao-interativa}
 Este tipo de segmentação de imagem é útil em uma variedade de
 aplicações, incluindo processamento de imagens médicas, visão
 computacional, reconhecimento de padrões e muitos outros campos onde é
-útil poder dividir uma imagem em regiões distintas com base em
+útil dividir uma imagem em regiões distintas com base em
 critérios definidos pelo usuário.
 
 \section{Aprendizado semi-supervisionado vs.\ transdução}\label{sec:teorica-aprendizado-semi-supervisionado}
 
 Existem três principais categorias de aprendizado de máquina:
 aprendizado supervisionado, aprendizado não supervisionado e
-aprendizado semi-supervisionado. No aprendizado supervisionado durante
+aprendizado semi-supervisionado. No aprendizado supervisionado, durante
 a etapa de treinamento existe uma base de dados totalmente rotulada,
 no aprendizado não supervisionado não é disponibilizado nenhum
 rotulamento dos dados. Enquanto isso, o aprendizado
@@ -100,7 +100,7 @@ \section{Aprendizado semi-supervisionado vs.\ transdução}\label{sec:teorica-ap
 \end{figure}
 
 
-No texto~\cite{vapnik2006semi}, o criador do famoso algoritmo SVM
+No texto~\citeonline{vapnik2006semi}, o criador do famoso algoritmo SVM
 estabelece uma profunda formalização dos problemas de aprendizado
 semi-supervisionado e inferência transdutiva. No final do texto, ele
 declara algumas reflexões sobre a solução de problemas em aprendizagem
@@ -152,7 +152,7 @@ \section{Superpixels}\label{sec:teorica-superpixel}
 Atualmente, já é possível encontrar muitas técnicas baseadas em
 superpixels com diferentes características, complexidades
 computacionais, métodos e eficiência. No
-artigo~\cite{SuperPixelBenchmark2017}, é realizado um \textit{benchmark} com 15
+artigo~\citeonline{SuperPixelBenchmark2017}, é realizado um \textit{benchmark} com 15
 algoritmos do tipo superpixel categorizados em três grupos: baseado em grafos,
 baseado em otimização de gradiente e baseado em análise de
 textura. Neste trabalho, é selecionado um dos mais simples: \gls{SLIC}.
@@ -669,7 +669,7 @@ \subsection{Modelagem matemática LCU com grafo ponderado}\label{sec:lcu-math}
 
 \section{EGSIS}\label{sec:teorica-egsis}
 
-O algoritmo \gls{EGSIS} é a técnica de segmentação de imagens proposta
+O algoritmo \gls{EGSIS} é a técnica de segmentação de imagens
 proposta neste trabalho. Todas as seções anteriores da fundamentação
 teórica foram introduzidas para explicar o funcionamento dessa técnica
 que será descrita nesta seção.
@@ -708,7 +708,7 @@ \section{EGSIS}\label{sec:teorica-egsis}
 não rotulado. Por fim, obtém-se uma matriz de labels relacionando
 cada pixel ao rótulo de segmentação desejado.
 
-No Algoritmo~\ref{alg:egsis} são descritos as etapas do funcionamento
+No Algoritmo~\ref{alg:egsis} são descritas as etapas do funcionamento
 geral do método.
 
 \begin{algorithm}[h!]

2-textuais/3-metodologia.tex

@@ -114,7 +114,7 @@ \subsection{IoU}\label{sec:iou}
 
 IoU~\cite{rezatofighi2019generalized}, que significa
 \textit{Intersection over Union}, é uma métrica popularmente usada
-para medir a precisão de um objeto de segmentação em tarefas de visão
+para medir a precisão da segmentação de um objeto em tarefas de visão
 computacional, como detecção de objetos e segmentação semântica.
 
 A métrica IoU calcula a proporção da área de interseção entre a região

2-textuais/4-resultados.tex

@@ -75,7 +75,7 @@ \section{Avaliação qualitativa}
 
 Como referência, o artigo~\cite{wang2023review} contém execuções
 comparativas de vários métodos na base de dados GrabCut. Neste artigo,
-é selecionado uma comparação com 16 imagens, nas quais 7 diferentes
+é selecionada uma comparação com 16 imagens, nas quais 7 diferentes
 métodos de segmentação interativa foram usados.
 
 \begin{figure}[h!]
@@ -89,7 +89,7 @@ \section{Avaliação qualitativa}
 \FloatBarrier{}
 
 Na Figura~\ref{fig:grabcut-comparacao}, há em cada linha duas
-imagems a ser segmentadas. Entre as máscaras de segmentação em escala
+imagens a serem segmentadas. Entre as máscaras de segmentação em escala
 de cinza, há as segmentações dos métodos de segmentação
 interativa. O nome desses 7 métodos, em ordem, são: GrabCut,
 LazySnapping, OneCut, Saliency Cut, Iterated Graph Cuts, DenseCut e
@@ -113,7 +113,7 @@ \section{Avaliação qualitativa}
 
 
 Como pode ser visto, os resultados do \gls{EGSIS} são de qualidade
-comparável aos métodos comparados em~\cite{wang2023review}, embora em
+equiparável aos métodos de referência em~\citeonline{wang2023review}, embora em
 algumas imagens haja mais erros e outras obtenham maior êxito. Para
 quantificar esse resultado, na próxima
 seção~\ref{sec:comparacao-estado-da-arte} é realizada uma avaliação
@@ -125,7 +125,7 @@ \section{Comparação quantitativa com o estado-da-arte da segmentação interat
 Nesta seção, é proposta uma avaliação de como o modelo \gls{EGSIS} se
 compara ao estado-da-arte no problema de segmentação interativa.
 
-No artigo~\cite{wang2023review}, é observado um extenso estudo de
+No artigo~\citeonline{wang2023review}, é observado um extenso estudo de
 revisão sobre os métodos de segmentação interativa baseados em grafos,
 tendo como base o algoritmo GrabCut e outros algoritmos que evoluíram
 nessa área de segmentação interativa de imagens. Os autores avaliam
@@ -143,7 +143,7 @@ \section{Comparação quantitativa com o estado-da-arte da segmentação interat
 de resultados será limitada a base de dados GrabCut.
 
 A seguir, é possível visualizar tabelas de comparação com os
-algoritmos apresentados em~\cite{wang2023review}: GrabCut,
+algoritmos apresentados em~\citeonline{wang2023review}: GrabCut,
 LazySnapping, OneCut, Saliency Cut, Iterated Graph Cuts, DenseCut e
 Deep GrabCut, todos algoritmos de segmentação interativa baseado em grafos.
 

lib/preambulo.tex

@@ -69,7 +69,9 @@
 \usepackage{tocloft}                                % Permite alterar a formatação do Sumário
 \usepackage{etoolbox}                               % Usado para alterar a fonte da Section no Sumário
 \usepackage[nogroupskip,nonumberlist]{glossaries}   % Permite fazer o glossario
-%\usepackage{natbib}                                 % Permite citação dupla com \citealp e \citealt, \citep
+
+% WARNING: Natbib quebra o sistema de citações ao conflitar com o abntex2cite.
+% \usepackage{natbib}                                 % Permite citação dupla com \citealp e \citealt, \citep
 
 % Altera o comportamento da tag caption:
 \usepackage[font=singlespacing,format=plain,justification=justified,skip=0pt,singlelinecheck = false]{caption}