Key points are not available for this paper at this time.
Resumo Em vista da mudança de paradigma em direção à pesquisa baseada em dados na ciência e engenharia de materiais, lidar com grandes quantidades de dados torna-se cada vez mais importante. A aplicação dos princípios FAIR (encontrável, acessível, interoperável, reutilizável) enfatiza a importância dos metadados que descrevem conjuntos de dados. Propomos um novo pipeline de processamento de dados e aprendizado de máquina (ML) para extrair metadados de arquivos de imagem de micrografias, em seguida combinar dados de imagem e seus metadados para classificação de microestruturas com uma abordagem de aprendizado profundo comparada a uma abordagem clássica de ML. O modelo de ML obteve excelentes desempenhos com e sem metadados e apresenta potencial para melhorar o desempenho de casos de uso futuros dentro da comunidade. Resumo gráfico
Stiefel et al. (Qua,) estudaram essa questão.