Refinamento geral

1-pre-textuais/abstract.tex

@@ -1,4 +1,4 @@
-Image segmentation is a technique that breaks a image into regions of
+Image segmentation is a technique that breaks an image into regions of
 interest, such as objects from a landscape. Image segmentation
 algorithms have variations in their type of learning, such as
 unsupervised, supervised, and semi-supervised. Complex networks are

2-textuais/1-introducao.tex

@@ -10,12 +10,14 @@ \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 conhecido algoritmos variados para segmentação de imagens baseados
-em aprendizagem de máquina. Na Figura~\ref{fig:image-segmentation-types}
-é apresentado um quadro comparativo de operações em uma imagem com
-balões, incluindo os tipos de segmentação de imagens conhecidos:
-semântica e instância. Entre as abordagens com aprendizagem, é
-selecionada neste trabalho especificamente a aprendizagem
-semi-supervisionada.
+em aprendizagem de máquina.
+
+Na Figura~\ref{fig:image-segmentation-types} é apresentado um quadro
+comparativo de operações em uma imagem com balões, incluindo os tipos
+de segmentação de imagens conhecidos: semântica e instância. Na
+segmentação semântica o objetivo é segmentar apenas os mesmos tipos de
+objetos como o mesmo rótulo, na segmentação por instância, cada balão
+é visto como a mesma classe de balão por rótulos diferentes.
 
 \begin{figure}[h!]
         \captionsetup{width=16cm}
@@ -27,12 +29,21 @@ \chapter{Introdução}\label{cap:introducao}
 \end{figure}
 
 
-Considerando a dificuldade de conseguir dados anotados feito por
-humanos em ambientes de uso especialistas, como imagens médicas e
-ferramentas de edição de imagem, a abordagem semi-supervisionada se
-demonstra interessante por necessitar de poucos dados anotados, mas ainda
-existir anotação com viés do especialista interessado (médico,
-editor).
+Entre os tipos de aprendizagem de máquina, para segmentação de imagens
+semântica é selecionada neste trabalho especificamente a aprendizagem
+semi-supervisionada transdutiva (mais informações na seção~\ref{sec:teorica-aprendizado-semi-supervisionado}). A
+aprendizagem semi-supervisionada é uma categoria que realiza o
+aprendizado com poucas rotulações e maior parte dos dados não são
+rotulados. Outras categorias de aprendizado de máquina como
+supervisionada possui no treinamento uma base totalmente rotulada
+enquanto a aprendizagem não-supervisionada não possui rótulo algum
+(exemplo: K-means). Ao considerar a dificuldade de conseguir dados
+rotulados por humanos em ambientes de uso especialistas, como imagens
+médicas e ferramentas de edição de imagem, a abordagem
+semi-supervisionada se demonstra interessante por necessitar de poucos
+dados rotulados, mas ainda existir uma anotação com viés do
+especialista interessado (médico, editor).
+
 
 Os três principais algoritmos clássicos de segmentação de imagem podem
 ser citados: \textit{Region-Based Segmentation}; \textit{Edge Detection
@@ -42,15 +53,16 @@ \chapter{Introdução}\label{cap:introducao}
 muitos objetos na imagem pode dificultar a segmentação; tempo
 computacional elevado; sensibilidade ao contraste em escala cinza.
 
-A abordagem estado da arte para segmentação de imagem utiliza
-\gls{CNN}. A técnica é conhecida como \textit{Mask R-CNN}
-~\cite{he2018mask}, funciona bem em casos diversos e supera as técnicas
-anteriores nas métricas de segmentação, mas possui ainda uma grande
-limitação: alto custo computacional para treinamento da rede neural
-profunda e muitos dados anotados são necessários.
+A abordagem estado da arte para segmentação de imagens
+semi-supervisionada indutiva utiliza \gls{CNN}. A técnica é conhecida
+como \textit{Mask R-CNN}~\cite{he2018mask}, funciona bem em casos
+diversos e supera as técnicas anteriores nas métricas de segmentação,
+mas possui ainda uma grande limitação: alto custo computacional para
+treinamento da rede neural profunda e muitos dados anotados são
+necessários.
 
 Considerando tal situação-problema, este trabalho propõe a construção
 de uma técnica de segmentação de imagem semi-supervisionada utilizando
 redes complexas e dinâmicas coletivas de tal maneira que tenha menor
 complexidade computacional em relação a \textit{Mask R-CNN} e seja
-robusta sobre os problemas enfrentados pelas técnicas clássicas.
+robusta em relação aos problemas enfrentados pelas técnicas clássicas.

2-textuais/3-metodologia.tex

@@ -1,7 +1,7 @@
 \chapter{Metodologia}\label{cap:metodologia}
 
 
-Este projeto de trabalho de conclusão de concurso foi dividido em quatro fases:
+Este projeto de trabalho de conclusão de curso foi dividido em quatro fases:
 Pesquisa, Desenvolvimento, Testes e Monografia.
 
 Durante a pesquisa científica, os artigos referenciados foram explorados com