Coloca termos em inglês em itálico ou traduz-os

ryukinix · Dec 16, 2023 · 7e21809 · 7e21809
1 parent 2331b81
commit 7e21809
Show file tree

Hide file tree

Showing 4 changed files with 9 additions and 8 deletions.
diff --git a/2-textuais/1-introducao.tex b/2-textuais/1-introducao.tex
@@ -214,7 +214,7 @@ \section{Justificativas}\label{sec:justificativas}
 das técnicas em alguns problemas, como imagens médicas e edição de
 imagens.
 
-Estes problemas são endereçados no desenvolvimento de uma nova técnica
+Esses problemas são endereçados ao desenvolvimento de uma nova técnica
 de segmentação de imagens que explora outros novos ramos de
 aprendizagem de máquina semi-supervisionada além das \gls{DNN}, neste
 caso utilizando redes complexas e dinâmicas coletivas.

diff --git a/2-textuais/2-fundamentacao-teorica.tex b/2-textuais/2-fundamentacao-teorica.tex
@@ -705,7 +705,7 @@ \section{EGSIS}\label{sec:teorica-egsis}
 dinâmico \gls{LCU} a fim de propagar os rótulos no grafo. No final da
 execução do \gls{LCU}, é reconstruída uma máscara de segmentação
 baseado nas rotulações dos vértices restantes em cada superpixel
-não rotulado. Por fim, obtém-se uma matriz de labels relacionando
+não rotulado. Por fim, obtém-se uma matriz de rótulos relacionando
 cada pixel ao rótulo de segmentação desejado.
 
 No Algoritmo~\ref{alg:egsis} são descritas as etapas do funcionamento

diff --git a/2-textuais/3-metodologia.tex b/2-textuais/3-metodologia.tex
@@ -14,8 +14,8 @@ \chapter{METODOLOGIA}\label{cap:metodologia}
 \begin{figure}[h!]
         \captionsetup{width=12cm}
 		\Caption{\label{fig:grabcut-dataset}
-          Exemplo de imagem dataset GrabCut com anotação parcial e
-          a segmentação real (ground truth).
+          Exemplo de imagem \textit{dataset} GrabCut com anotação parcial e
+          a segmentação real (\textit{ground truth}).
         }
 		\centering
 		\UFCfig{}{\fbox{\includegraphics[width=12cm]{figuras/grabcut-dataset}}}{\Fonte{\fonteautor}}
@@ -99,7 +99,7 @@ \subsection{Recall}\label{sec:recall}
 \subsection{F1 Score}\label{sec:f1}
 
 A métrica F1 Score, em segmentação de imagens também conhecida como
-Dice Coefficient, é uma soma harmônica entre \textit{precision} e
+\textit{Dice Coefficient}, é uma soma harmônica entre \textit{precision} e
 \textit{recall}. Nessa situação, tem-se a definição:
 
 
@@ -118,7 +118,7 @@ \subsection{IoU}\label{sec:iou}
 computacional, como detecção de objetos e segmentação semântica.
 
 A métrica IoU calcula a proporção da área de interseção entre a região
-estimada e a região real (ground truth) pela área da união dessas duas
+estimada e a região real (\textit{ground truth}) pela área da união dessas duas
 regiões. A fórmula para calcular o IoU é:
 
 \begin{equation}\label{eq:iou}

diff --git a/2-textuais/4-resultados.tex b/2-textuais/4-resultados.tex
@@ -102,8 +102,9 @@ \section{Avaliação qualitativa}
 \begin{figure}[h!]
         \captionsetup{width=11.5cm}
 		\Caption{\label{fig:egsis-qualitativa}
-          Execução de segmentação interativa com EGSIS, a primeira
-segmentação é a do modelo e a última é a segmentação real.
+          Execuções de várias segmentações interativas com EGSIS.\@ A coluna ao
+lado da imagem mostra a segmentação binária feita pelo modelo, e a
+próxima coluna mostra a segmentação real.
         }
 		\centering
 		\UFCfig{}{\fbox{\includegraphics[width=11.5cm]{figuras/egsis-qualitativa}}}{\Fonte{\fonteautor}}