Usa números formatados na ABNT: com vírgula invés de ponto

ryukinix · Dec 17, 2023 · 7518989 · 7518989
1 parent a69312e
commit 7518989
Show file tree

Hide file tree

Showing 2 changed files with 28 additions and 27 deletions.
diff --git a/2-textuais/4-resultados.tex b/2-textuais/4-resultados.tex
@@ -42,14 +42,14 @@ \section{Experimentos com a variação da quantidade de superpixels}\label{sec:v
     \toprule
     \textbf{Método}                  & \textbf{Recall} & \textbf{Precision} & \textbf{F1}     & \textbf{IoU}    \\
     \midrule \midrule
-    $\gls{EGSIS}(s=50, f=gabor)$     & 0.7882          & 0.9225             & 0.8414          & 0.7412          \\
-    $\gls{EGSIS}(s=100, f=gabor)$    & 0.8592          & 0.9505             & 0.8992          & 0.8232          \\
-    $\gls{EGSIS}(s=150, f=gabor)$    & 0.8691          & 0.9550             & 0.9066          & 0.8354          \\
-    $\gls{EGSIS}(s=200, f=gabor)$    & 0.8799          & \textbf{0.9620}    & 0.9167          & 0.8511          \\
-    $\gls{EGSIS}(s=50, f=comatrix)$  & 0.7882          & 0.9225             & 0.8414          & 0.7412          \\
-    $\gls{EGSIS}(s=100, f=comatrix)$ & 0.8617          & 0.9510             & 0.9010          & 0.8259          \\
-    $\gls{EGSIS}(s=150, f=comatrix)$ & 0.8777          & 0.9552             & 0.9125          & 0.8441          \\
-    $\gls{EGSIS}(s=200, f=comatrix)$ & \textbf{0.8877} & 0.9611             & \textbf{0.9212} & \textbf{0.8578} \\
+    $\gls{EGSIS}(s=50, f=gabor)$     & 0,7882          & 0,9225             & 0,8414          & 0,7412          \\
+    $\gls{EGSIS}(s=100, f=gabor)$    & 0,8592          & 0,9505             & 0,8992          & 0,8232          \\
+    $\gls{EGSIS}(s=150, f=gabor)$    & 0,8691          & 0,9550             & 0,9066          & 0,8354          \\
+    $\gls{EGSIS}(s=200, f=gabor)$    & 0,8799          & \textbf{0,9620}    & 0,9167          & 0,8511          \\
+    $\gls{EGSIS}(s=50, f=comatrix)$  & 0,7882          & 0,9225             & 0,8414          & 0,7412          \\
+    $\gls{EGSIS}(s=100, f=comatrix)$ & 0,8617          & 0,9510             & 0,9010          & 0,8259          \\
+    $\gls{EGSIS}(s=150, f=comatrix)$ & 0,8777          & 0,9552             & 0,9125          & 0,8441          \\
+    $\gls{EGSIS}(s=200, f=comatrix)$ & \textbf{0,8877} & 0,9611             & \textbf{0,9212} & \textbf{0,8578} \\
     \bottomrule
   \end{tabular}
   \Fonte{\fonteautor}
@@ -92,9 +92,12 @@ \section{Avaliação qualitativa}
 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
+LazySnapping, OneCut, Saliency Cut, Iterated Graph Cuts\footnotemark{}, DenseCut e
 Deep GrabCut.
 
+
+\footnotetext{Não há um nome formal pra esse método~\cite{an2013iterated}, por ora ele será chamado assim.}
+
 Nesse aspecto, para comparação com o modelo proposto \gls{EGSIS}, para
 as mesmas imagens do dataset GrabCut, são obtidas as seguintes máscaras
 de segmentação na Figura~\ref{fig:egsis-qualitativa}.
@@ -117,7 +120,7 @@ \section{Avaliação qualitativa}
 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
-quantitativa comparando esses métodos e o método \gls{EGSIS}.
+quantitativa comparando esses métodos e o método proposto \gls{EGSIS}.
 
 
 \section{Comparação quantitativa com o estado-da-arte da segmentação interativa}\label{sec:comparacao-estado-da-arte}
@@ -143,9 +146,8 @@ \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~\citeonline{wang2023review}: GrabCut,
-LazySnapping, OneCut, Saliency Cut, Iterated Graph Cuts, DenseCut e
-Deep GrabCut, todos algoritmos de segmentação interativa baseado em grafos.
+algoritmos apresentados em~\citeonline{wang2023review}, todos
+algoritmos de segmentação interativa baseado em grafos.
 
 
 \begin{table}[!h]
@@ -156,31 +158,30 @@ \section{Comparação quantitativa com o estado-da-arte da segmentação interat
       resultados, em vermelho os piores.}
   \begin{tabular}{lcccc}
     \toprule
-    \textbf{Método}                    & \textbf{Recall} & \textbf{Precision} & \textbf{F1}     & \textbf{IoU}    \\
+    \textbf{Método}                  & \textbf{Recall} & \textbf{Precision} & \textbf{F1}     & \textbf{IoU}    \\
     \midrule \midrule
-    GrabCut                            & 0.9668          & 0.9213             & \textbf{0.9407} & \textbf{0.8927} \\
-    LazySnapping                       & \textbf{0.9681} & 0.9104             & 0.9357          & 0.8842          \\
-    OneCut                             & 0.8585          & \red{0.7926}       & \red{0.7899}    & \red{0.6974}    \\
-    Saliency Cuts                      & \red{0.8371}    & 0.8892             & 0.8255          & 0.7458          \\
-    Iterated Graph Cuts\footnotemark{} & 0.9614          & 0.8878             & 0.9212          & 0.8597          \\
-    DenseCut                           & 0.8427          & 0.9418             & 0.8561          & 0.7927          \\
-    Deep GrabCut                       & 0.8854          & 0.8774             & 0.8701          & 0.7849          \\
-    $\gls{EGSIS}(s=200, f=gabor)$      & 0.8799          & \textbf{0.9620}    & 0.9167          & 0.8511          \\
-    $\gls{EGSIS}(s=200, f=comatrix)$   & 0.8877          & 0.9611             & 0.9212          & 0.8578          \\
+    GrabCut                          & 0,9668          & 0,9213             & \textbf{0,9407} & \textbf{0,8927} \\
+    LazySnapping                     & \textbf{0,9681} & 0,9104             & 0,9357          & 0,8842          \\
+    OneCut                           & 0,8585          & \red{0,7926}       & \red{0,7899}    & \red{0,6974}    \\
+    Saliency Cuts                    & \red{0,8371}    & 0,8892             & 0,8255          & 0,7458          \\
+    Iterated Graph Cuts              & 0,9614          & 0,8878             & 0,9212          & 0,8597          \\
+    DenseCut                         & 0,8427          & 0,9418             & 0,8561          & 0,7927          \\
+    Deep GrabCut                     & 0,8854          & 0,8774             & 0,8701          & 0,7849          \\
+    $\gls{EGSIS}(s=200, f=gabor)$    & 0,8799          & \textbf{0,9620}    & 0,9167          & 0,8511          \\
+    $\gls{EGSIS}(s=200, f=comatrix)$ & 0,8877          & 0,9611             & 0,9212          & 0,8578          \\
     \bottomrule
   \end{tabular}
   \Fonte{Baseado nos resultados encontrados no artigo~\cite{wang2023review}}
 \end{table}
 \FloatBarrier{}
 
-\footnotetext{Não há um nome formal pra esse método~\cite{an2013iterated}, por ora ele será chamado assim}
 
 Na Tabela~\ref{tab:resultados-estado-da-arte}, é possível
 observar que o método $\gls{EGSIS}(s=200, f=gabor)$ atinge o maior
 valor médio de precisão entre todos os métodos comparados, com um
-valor de 0.9620. Seguindo o método EGSIS, o segundo colocado na
+valor de 0,9620. Seguindo o método EGSIS, o segundo colocado na
 métrica de precisão foi o método DenseCut, com um valor de precisão de
-0.9418, que é próximo, mas ainda significativamente menor. É
+0,9418, que é próximo, mas ainda significativamente menor. É
 importante ressaltar que uma alta precisão implica uma baixa
 incidência de pixels falsos-positivos.
 

diff --git a/2-textuais/5-conclusao.tex b/2-textuais/5-conclusao.tex
@@ -75,4 +75,4 @@ \section{Trabalhos futuros}\label{sec:trabalhos-futuros}
 precisa fazer para alcançar segmentações de boa qualidade. Um trabalho
 futuro seria expandir as atuais métricas para simular a quantidade
 mínima de anotação necessária para alcançar um IoU com um determinado
-valor mínimo, geralmente entre 0.85 e 0.95.
+valor mínimo, geralmente entre 0,85 e 0,95.