💻 computer science

Knowledge Evolution and AI Paradigm Shifts in Pedestrian Detection: A Bibliometric and Main Path Analysis

Este estudio integra el análisis bibliométrico con una perspectiva de paradigma de IA para mapear la evolución estructural de la investigación en detección de peatones, revelando que la transición del campo desde las características diseñadas a mano hacia el aprendizaje profundo y los transformers ocurre mediante una integración gradual del conocimiento en lugar de cambios abruptos, ofreciendo así un marco teórico novedoso para comprender el desarrollo de la IA.

Autores originales: Vo Thanh Kiet, Rene Jaros, Boris Pustejovsky, Jakub Stefansky, Ondrej Svoboda, Minh Ly Duc, Petr Bilik, Radek Martinek

Publicado 2026-06-29

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vo Thanh Kiet, Rene Jaros, Boris Pustejovsky, Jakub Stefansky, Ondrej Svoboda, Minh Ly Duc, Petr Bilik, Radek Martinek

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el campo de la detección de peatones (enseñar a las computadoras a detectar personas en videos) como una biblioteca inmensa y bulliciosa que ha estado creciendo durante más de 30 años. Este artículo no se limita a leer los libros; actúa como un superbibliotecario que mapea todo el edificio, rastrea cómo las ideas han viajado de un estante a otro e identifica cuáles son los libros "superventas" que todo el mundo sigue citando.

Aquí tienes un desglose sencillo de lo que los autores, Vo Thanh Kiet y su equipo, descubrieron:

1. El estirón de la biblioteca

Durante mucho tiempo (1990–2004), esta biblioteca estuvo tranquila. Solo unas pocas personas escribían sobre cómo detectar personas usando reglas "diseñadas a mano" (como dibujar formas específicas para encontrar a una persona).

El cambio: Alrededor de 2010, la biblioteca explotó. Es como una repentina llegada de nuevos estudiantes. Para 2020, el número de libros publicados cada año saltó de unas pocas docenas a más de 500.
La causa: Este auge ocurrió porque la biblioteca cambió de "dibujar reglas a mano" a Deep Learning (aprendizaje profundo), permitiendo que la computadora aprenda las reglas mirando millones de fotos.

2. ¿Quién está escribiendo los libros? (El mapa de colaboración)

Los autores mapearon quién habla con quién.

Los grandes jugadores: China es el gigante en esta sala, escribiendo más de la mitad de todos los libros. Los Estados Unidos son el segundo más grande, seguidos por la India, Japón y Alemania.
La red social: Aunque China escribe más, el Reino Unido y Francia son los más sociales. Escriben menos libros, pero colaboran con muchos países diferentes.
El problema: La biblioteca está un poco fragmentada. Muchos grupos de investigadores son como las pandillas o grupos cerrados en la escuela secundaria: hablan mucho entre ellos, pero rara vez hablan con los grupos de otros países o escuelas. Los autores sugieren que necesitamos más "reuniones sociales" para conectar estos grupos aislados.

3. El "camino principal" del conocimiento

Imagina el conocimiento como un río que fluye del pasado al futuro. Los autores utilizaron una herramienta especial para rastrear el Camino Principal (Main Path), la corriente de ideas más fuerte e importante.

El viejo río (décadas de 1990–2000): El agua fluía a través de las "Características Diseñadas a Mano" (Handcrafted Features). Los científicos diseñaban manualmente reglas (como "las personas tienen dos piernas") para encontrar peatones.
La transición (El punto medio): El río no se secó y comenzó uno nuevo inmediatamente. Hubo una zona intermedia pantanosa donde las reglas antiguas y los nuevos métodos de IA coexistieron. Los científicos estaban probando ambos métodos al mismo tiempo, tendiendo un puente.
El nuevo río (2015–Presente): El agua ahora fluye a través del Deep Learning y los Transformers. En lugar de que los humanos dibujen las reglas, la computadora las aprende automáticamente.
La clave del hallazgo: El cambio no fue una explosión repentina que eliminó las viejas formas. Fue un cambio evolutivo lento donde las nuevas ideas crecieron sobre las antiguas.

4. El "Salón de la Fama" (Los libros más influyentes)

Los autores identificaron los 10 artículos más citados (el "Salón de la Fama").

La leyenda: El libro de Dalal y Triggs (2005) es el rey indiscutible. Es citado más del doble de veces que el siguiente libro más popular. Sentó las bases de todo el campo.
La nueva guardia: Después de 2014, el "Salón de la Fama" se llenó de artículos sobre CNNs (un tipo de IA) y Transformers (una IA más nueva y poderosa).
La advertencia: Debido a que todo el mundo sigue citando los mismos pocos libros "clásicos", es difícil que las ideas nuevas, extrañas o diferentes reciban atención. Es como una estación de radio que solo pone los mismos 10 éxitos; los artistas nuevos luchan por obtener tiempo al aire.

5. ¿De qué están hablando ahora? (Evolución de palabras clave)

Si miras las "etiquetas" de los libros, la conversación ha cambiado por completo:

Entonces (años 90): Las etiquetas eran "Algoritmos", "Análisis de Imágenes" y "Vehículos Inteligentes". El enfoque era puramente matemático.
Ahora (años 2020): Las etiquetas son "Seguridad del Peatón", "Conducción Autónoma" y "Despliegue en el Mundo Real".
El gran cambio: El enfoque ha pasado de "¿Cómo hacemos que las matemáticas funcionen?" a "¿Cómo mantenemos a la gente segura en el mundo real?". La conversación ahora trata sobre la seguridad y los sistemas, no solo sobre el código.

La conclusión fundamental

Este artículo argumenta que no deberíamos mirar solo qué tan bien una computadora detecta a una persona (la puntuación técnica). En su lugar, debemos mirar la historia del campo para entender cómo llegamos aquí.

Los autores concluyen que la evolución de la IA es como un árbol en crecimiento, no una serie de reemplazos repentinos. Las raíces viejas (reglas diseñadas a mano) todavía están ahí, sosteniendo las nuevas ramas (Deep Learning). Sin embargo, el campo está actualmente dominado por unos pocos países grandes y unos pocos artículos "súper citados", lo que podría estar bloqueando el crecimiento de ideas frescas y nuevas. Para avanzar, necesitamos conectar más a los investigadores globalmente y enfocarnos menos en obtener una puntuación alta y más en construir sistemas seguros para el mundo real.

Resumen Técnico: Evolución del Conocimiento y Cambios de Paradigma de la IA en la Detección de Peatones

Planteamiento del Problema
Si bien la detección de peatones es una piedra angular de la visión por computadora y los sistemas de transporte inteligente (ITS), la literatura existente se centra predominantemente en el rendimiento algorítmico, los puntos de referencia de conjuntos de datos o desafíos de aplicaciones específicas. Estas revisiones técnicas pasan por alto en gran medida la evolución estructural de la base de conocimiento del campo y los mecanismos a través de los cuales emergen y se transforman los paradigmas de la Inteligencia Artificial (IA). Existe una brecha significativa en la comprensión de la estructura de conocimiento a nivel macro, las redes de investigación y la transición dinámica de los métodos tradicionales hacia los enfoques modernos basados en aprendizaje profundo y transformadores (transformers). Este estudio aborda la necesidad de una revisión sistemática y orientada a la teoría que vincule el análisis bibliométrico con los cambios de paradigma de la IA para proporcionar una comprensión a nivel de sistema de cómo ha evolucionado el campo.

Metodología
El estudio emplea un marco unificado bibliométrico y cientométrico para analizar 5,926 publicaciones recuperadas de la base de datos Scopus, cubriendo el período de 1990 a 2026. La recolección de datos siguió un proceso compatible con PRISMA, filtrando artículos científicos y actas de conferencias en inglés mediante consultas de búsqueda específicas relacionadas con "detección de peatones", "detección de humanos" y técnicas de aprendizaje profundo.

El flujo de trabajo analítico consta de tres etapas principales:

Preprocesamiento de Datos: Limpieza y normalización de nombres de autores, afiliaciones y palabras clave utilizando Python.
Análisis de Redes: Utilizando VOSviewer para la agrupación basada en la optimización de la modularidad y Pajek para el análisis de la ruta principal.
- Redes de Colaboración: Analizadas a nivel de país, institución y autor utilizando métricas como Publicaciones Totales (TP), Citas Globales Totales (TGC), Citas Locales Totales (TLC), Grado, Fuerza de Enlace Total (TLS) y Centralidad de Interintermediación Ponderada (WBC).
- Análisis de Co-citación: Mapeo de los fundamentos intelectuales mediante la identificación de grupos de referencias frecuentemente co-citadas para revelar comunidades de conocimiento.
- Análisis de Ruta Principal: Aplicación de algoritmos de ruta principal local hacia atrás y de estándar global para rastrear el flujo cronológico del conocimiento e identificar las rutas de citación más influyentes.
- Co-ocurrencia de Palabras Clave: Examen de la evolución de los temas de investigación a través de tres períodos distintos (1990–2005, 2006–2015, 2016–2026) para rastrear los cambios de paradigma.

Contribuciones Clave
El artículo realiza tres contribuciones primordiales al campo:

Marco Metodológico: Establece un nuevo marco que integra el análisis bibliométrico con la interpretación teórica orientada a la IA, yendo más allá de la estadística descriptiva para reconstruir la estructura del conocimiento y vincularla explícamente con la evolución de los paradigmas de aprendizaje.
Perspectivas Estructurales: Proporciona una visión profunda sobre el papel de los "núcleos de conocimiento" (nodos centrales), la formación de grupos de investigación y los mecanismos de propagación del conocimiento, revelando que el campo sigue una estructura jerárquica y de escala libre (scale-free).
Mapeo de la Transición de Paradigmas: Conceptualiza la evolución de la detección de peatones no como un reemplazo abrupto de métodos, sino como un proceso dinámico que involucra fases intermedias de integración de conocimiento y coexistencia de paradigmas.

Resultados

Tendencias de Publicación: El campo exhibe un crecimiento exponencial ( $R^2 = 0.701$ ), con un aumento dramático en las publicaciones después de 2010, alcanzando un máximo de más de 500 artículos anuales en años recientes. Este crecimiento se correlaciona fuertemente con la adopción del aprendizaje profundo.
Redes de Colaboración: El panorama de investigación está geográficamente desequilibrado. China domina en volumen de publicaciones (TP = 2,665) y citas, actuando como un núcleo central. Sin embargo, países como el Reino Unido, Francia y los EE. UU. demuestran una mayor intensidad de colaboración internacional (relación TLS/TP). La estructura de la red es fragmentada, con grupos de investigación concentrados a menudo dentro de instituciones o regiones únicas, lo que limita el intercambio de conocimiento entre grupos.
Evolución del Conocimiento (Co-citación y Ruta Principal):
- Grupo Verde (Fundacional): Representa los métodos clásicos de características diseñadas manualmente (ej. HOG, características de Haar) anclados por trabajos como Dalal y Triggs [32] y Dollár et al. [6].
- Grupo Amarillo (Transicional): Actúa como un puente, conteniendo estudios que integran métodos clásicos con aprendizaje profundo temprano o que abordan desafíos específicos como la oclusión (ej. Hwang et al. [26], Benenson et al. [27]).
- Grupo Rojo (Moderno): Representa la era del aprendizaje profundo, dominada por arquitecturas CNN (R-CNN, YOLO) y, más recientemente, modelos basados en Transformers.
- Ruta Principal: La ruta principal global confirma una evolución secuencial desde el diseño de características manuales hacia HOG/SVM, seguido de una transición hacia detectores basados en CNN, y finalmente hacia mecanismos de atención y transformadores. La ruta local hacia atrás destaca que los métodos tradicionales continuaron evolucionando junto con los intentos de aprendizaje profundo temprano antes de que este último se volviera dominante.
Evolución de Palabras Clave: La investigación temprana (1990–2005) se centró en "visión por computadora" y "reconocimiento de objetos". El período 2006–2015 introdujo el "aprendizaje automático" (machine learning) y "ADAS". El período 2016–2026 se caracteriza por "aprendizaje profundo", "redes neuronales convolucionales", "seguridad del peatón" e integración de "multisensores", indicando un cambio de la precisión algorítmica pura hacia la seguridad y aplicación a nivel de sistema.

Significancia y Reivindicaciones
Los autores afirman que este estudio ofrece una "comprensión a nivel de sistema" de la evolución del campo de la IA, distinguiéndolo de las revisiones tradicionales que se centran únicamente en comparaciones técnicas. Teóricamente, el trabajo postula que la evolución de la IA es un proceso de difusión, acumulación y reestructuración del conocimiento, más que de avances tecnológicos aislados. Destaca que los cambios de paradigma ocurren a través de la coexistencia y la negociación entre el conocimiento antiguo y el nuevo, en lugar de un reemplazo inmediato.

Prácticamente, los hallazgos proporcionan perspectivas estratégicas para diseñar sistemas inteligentes, particularmente para aplicaciones críticas de seguridad como la conducción autónoma y los Sistemas Avanzados de Asistencia al Conductor (ADAS). Al identificar los "anclajes de conocimiento" y las fases transicionales, el estudio ayuda en la selección de modelos y arquitecturas apropiadas. Los autores enfatizan un cambio necesario de perspectiva, de una mentalidad "centrada en el algoritmo" a un enfoque de "sistemas y sociedad", donde la detección de peatones se evalúa dentro del contexto más amplio del transporte inteligente, la seguridad y las consideraciones éticas. El estudio concluye que, si bien el campo ha madurado técnicamente, el progreso futuro requiere una mayor colaboración internacional, integración interdisciplinaria y un enfoque en los desafíos de despliegue en el mundo real, tales como la robustez en condiciones adversas y el uso ético de los datos.