As aplicações modernas tem transformado a vida em sociedade e trazido novos desafios computacionais. Um desses desafios é a produção massiva e não estacionária de dados de imagem, que requerem o desenvolvimento de algoritmos eficientes para processamento em tempo real e técnicas de análise para lidar com a natureza dinâmica desses dados. Nesta tese, a tarefa de classificação de imagens é explorada por meio de técnicas de aprendizagem em fluxos de dados. O objetivo é implementar algoritmos para a classificação de imagens utilizando aprendizado profundo, concentrando-se na investigação de modelos e algoritmos para o processamento e a aprendizagem de imagens em fluxos de dados. Um framework completo é proposto para a construção e validação de modelos das redes neurais profundas. Diferentes experimentos são conduzidos para avaliar a capacidade preditiva do framework em classificar novas imagens e os resultados são comparados com outros métodos do estado-da-arte. Os resultados mostram que o framework proposto supera os métodos comparados na maior parte dos cenários avaliados.

Modern applications have transformed life in society and brought new computational challenges. One of these challenges is the massive and non-stationary production of image data, which requires the development of efficient algorithms for real-time processing and analysis techniques to deal with the dynamic nature of these data. In this thesis, the task of image classification is explored through data stream learning techniques. The aim is to implement algorithms for image classification using deep learning, focusing on investigating models and algorithms for processing and learning images in data streams. A complete framework is proposed for the construction and validation of deep neural network models. Different experiments are conducted to evaluate the predictive capacity of the framework in classifying new images and the results are compared with other state-of-the-art methods. The results show that the proposed framework outperforms the compared methods in most of the evaluated scenarios.