💻 computer science

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

Cette étude intègre une analyse bibliométrique à une perspective de paradigme de l'IA pour cartographier l'évolution structurelle de la recherche sur la détection de piétons, révélant que la transition du domaine des caractéristiques artisanales vers l'apprentissage profond et les transformeurs s'opère par une intégration graduelle des connaissances plutôt que par des changements abrupts, offrant ainsi un nouveau cadre théorique pour comprendre le développement de l'IA.

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

Publié 2026-06-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le domaine de la détection de piétons (apprendre aux ordinateurs à repérer des personnes dans une vidéo) comme une immense bibliothèque animante qui s'est développée sur plus de 30 ans. Ce document ne se contente pas de lire les livres ; il agit comme un super-bibliothécaire qui cartographie l'ensemble du bâtiment, retrace la façon dont les idées ont voyagé d'une étagère à l'autre et identifie quels sont les « best-sellers » que tout le monde continue de citer.

Voici une décomposition simple de ce que les auteurs, Vo Thanh Kiet et son équipe, ont découvert :

1. La poussée de croissance de la bibliothèque

Pendant longtemps (1990–2004), cette bibliothèque était calme. Seules quelques personnes écrivaient sur la manière de repérer des personnes en utilisant des règles « faites à la main » (comme dessiner des formes spécifiques pour trouver une personne).

Le changement : Vers 2010, la bibliothèque a explosé. C'est comme une soudaine ruée de nouveaux étudiants. En 2020, le nombre de nouveaux livres publiés chaque année est passé de quelques dizaines à plus de 500.
La cause : Ce boom s'est produit parce que la bibliothèque est passée des « règles dessinées à la main » au Deep Learning (apprentissage profond), en laissant l'ordinateur apprendre les règles en regardant des millions de photos.

2. Qui écrit les livres ? (La carte de collaboration)

Les auteurs ont cartographié qui parle à qui.

Les grands acteurs : La Chine est le géant de cette pièce, écrivant plus de la moitié de tous les livres. Les États-Unis sont les deuxièmes plus importants, suivis par l'Inde, le Japon et l'Allemagne.
Le réseau social : Bien que la Chine écrive le plus, le Royaume-Uni et la France sont les plus sociables. Ils écrivent moins de livres, mais collaborent avec de nombreux pays différents.
Le problème : La bibliothèque est un peu fragmentée. De nombreux groupes de chercheurs sont comme des cliques de lycée — ils se parlent beaucoup entre eux, mais parlent rarement aux groupes d'autres pays ou d'autres écoles. Les auteurs suggèrent que nous avons besoin de plus de « mélanges » pour connecter ces groupes isolés.

3. Le « chemin principal » de la connaissance

Imaginez la connaissance comme une rivière coulant du passé vers le futur. Les auteurs ont utilisé un outil spécial pour tracer le Chemin Principal — le courant d'idées le plus fort et le plus important.

L'ancienne rivière (années 1990–2000) : L'eau coulait à travers les « Caractéristiques faites à la main » (Handcrafted Features). Les scientifiques concevaient manuellement des règles (comme « les gens ont deux jambes ») pour trouver des piétons.
La transition (Le terrain intermédiaire) : La rivière ne s'est pas asséchée pour en créer une nouvelle immédiatement. Il y avait une zone intermédiaire marécageuse où les anciennes règles et les nouvelles méthodes d'IA coexistaient. Les scientifiques testaient les deux en même temps, faisant le pont entre les deux.
La nouvelle rivière (2015–Présent) : L'eau coule désormais à travers le Deep Learning et les Transformers. Au lieu que les humains dessinent les règles, l'ordinateur les apprend automatiquement.
L'idée clé : Le changement n'a pas été une explosion soudaine qui a balayé les anciennes méthodes. C'était un changement lent et évolutif où les nouvelles idées ont poussé sur les anciennes.

4. Le « Panthéon » (Les livres les plus influents)

Les auteurs ont identifié les 10 articles les plus cités (le « Panthéon »).

La légende : Le livre de Dalal et Triggs (2005) est le roi incontesté. Il est cité plus de deux fois plus souvent que le livre suivant de grande popularité. Il a posé les fondations de tout le domaine.
La nouvelle garde : Après 2014, le « Panthéon » s'est rempli d'articles sur les CNN (un type d'IA) et les Transformers (une IA plus récente et plus puissante).
L'avertissement : Parce que tout le monde cite sans cesse les mêmes quelques livres « classiques », il est difficile pour les idées totalement nouvelles, bizarres ou différentes d'être remarquées. C'est comme une station de radio qui ne joue que les 10 tubes habituels ; les nouveaux artistes ont du mal à obtenir du temps d'antenne.

5. De quoi parlent-ils maintenant ? (Évolution des mots-clés)

Si l'on regarde les « étiquettes » des livres, la conversation a complètement changé :

Alors (années 1990) : Les étiquettes étaient « Algorithmes », « Analyse d'image » et « Véhicules intelligents ». L'accent était purement mis sur les mathématiques.
Maintenant (années 2020) : Les étiquettes sont « Sécurité des piétons », « Conduite autonome » et « Déploiement en conditions réelles ».
Le grand changement : L'accent est passé de « Comment faire fonctionner les mathématiques ? » à « Comment assurer la sécurité des gens dans le monde réel ? ». La conversation porte désormais sur la sécurité et les systèmes, et non plus seulement sur le code.

L'essentiel

Ce document soutient que nous ne devrions pas seulement regarder si un ordinateur détecte bien une personne (le score technique). Au lieu de cela, nous devrions regarder l'histoire du domaine pour comprendre comment il en est arrivé là.

Les auteurs concluent que l'évolution de l'IA est comme un arbre en croissance, et non une série de remplacements soudains. Les vieilles racines (règles faites à la main) sont toujours là, soutenant les nouvelles branches (Deep Learning). Cependant, le domaine est actuellement dominé par quelques grands pays et quelques articles « super-cités », ce qui pourrait bloquer la croissance d'idées fraîches et nouvelles. Pour avancer, nous devons connecter davantage de chercheurs à l'échelle mondiale et nous concentrer moins sur l'obtention d'un score élevé et davantage sur la construction de systèmes sûrs pour le monde réel.

Résumé Technique : Évolution des Connaissances et Changements de Paradigme de l'IA dans la Détection de Piétons

Énoncé du Problème
Bien que la détection de piétons soit une pierre angulaire de la vision par ordinateur et des systèmes de transport intelligents (STI), la littérature existante se concentre principalement sur les performances algorithmiques, les bancs d'essai de jeux de données ou des défis d'application spécifiques. Ces revues techniques négligent largement l'évolution structurelle de la base de connaissances du domaine et les mécanismes par lesquels les paradigmes de l'Intelligence Artificielle (IA) émergent et se transforment. Il existe un écart significatif dans la compréhension de la structure de connaissances macroscopique, des réseaux de recherche et de la transition dynamique des méthodes traditionnelles vers les approches modernes basées sur le deep learning et les transformers. Cette étude répond au besoin d'une revue systématique, orientée vers la théorie, qui jette un pont entre l'analyse bibliométrique et les changements de paradigme de l'IA afin de fournir une compréhension systémique de l'évolution du domaine.

Méthodologie
L'étude emploie un cadre unifié bibliométrique et scientométrique pour analyser 5 926 publications extraites de la base de données Scopus, couvrant la période de 1990 à 2026. La collecte des données a suivi un processus compatible avec la méthode PRISMA, filtrant les articles scientifiques et les actes de conférence en langue anglaise à l'aide de requêtes de recherche spécifiques liées à la « détection de piétons », la « détection humaine » et aux techniques de deep learning.

Le pipeline analytique se compose de trois étapes principales :

Prétraitement des données : Nettoyage et normalisation des noms d'auteurs, des affiliations et des mots-clés à l'aide de Python.
Analyse de réseau : Utilisation de VOSviewer pour le partitionnement basé sur l'optimisation de la modularité et de Pajek pour l'analyse du chemin principal (Main Path Analysis).
- Réseaux de collaboration : Analysés aux niveaux des pays, des institutions et des auteurs en utilisant des métriques telles que le nombre total de publications (TP), le total des citations mondiales (TGC), le total des citations locales (TLC), le degré, la force totale des liens (TLS) et la centralité d'intermédiarité pondérée (WBC).
- Analyse de co-citation : Cartographie des fondements intellectuels en identifiant des grappes de références fréquemment co-citées pour révéler les communautés de connaissances.
- Analyse du chemin principal : Application des algorithmes de chemin principal standard mondial et de chemin principal local ascendant pour retracer le flux chronologique des connaissances et identifier les voies de citation les plus influentes.
- Co-occurrence de mots-clés : Examen de l'évolution des sujets de recherche à travers trois périodes distinctes (1990–2005, 2006–2015, 2016–2026) pour suivre les changements de paradigme.

Principales Contributions
Le document apporte trois contributions primordiales au domaine :

Cadre Méthodologique : Il établit un nouveau cadre intégrant l'analyse bibliométrique à une interprétation théorique orientée vers l'IA, allant au-delà des statistiques descriptives pour reconstruire la structure des connaissances et la lier explicitement à l'évolution des paradigmes d'apprentissage.
Aperçus Structurels : Il fournit des informations approfondies sur le rôle des « hubs de connaissances » (nœuds centraux), la formation de grappes de recherche et les mécanismes de propagation des connaissances, révélant que le domaine suit une structure sans échelle (scale-free) et hiérarchique.
Cartographie de la Transition de Paradigme : Il conceptualise l'évolution de la détection de piétons non pas comme un remplacement abrupt de méthodes, mais comme un processus dynamique impliquant des phases intermédiaires d'intégration des connaissances et de coexistence des paradigmes.

Résultats

Tendances de Publication : Le domaine présente une croissance exponentielle ( $R^2 = 0,701$ ), avec une augmentation spectaculaire des publications après 2010, culminant à plus de 500 articles par an ces dernières années. Cette croissance est fortement corrélée à l'adoption du deep learning.
Réseaux de Collaboration : Le paysage de la recherche est géographiquement déséquilibré. La Chine domine en volume de publications (TP = 2 665) et en citations, agissant comme un hub central. Cependant, des pays comme le Royaume-Uni, la France et les États-Unis démontrent une intensité de collaboration internationale plus élevée (ratio TLS/TP). La structure du réseau est fragmentée, les groupes de recherche étant souvent concentrés au sein d'institutions ou de régions uniques, ce qui limite l'échange de connaissances entre les grappes.
Évolution des Connaissances (Co-citation et Chemin Principal) :
- Grappe Verte (Fondatrice) : Représente les méthodes classiques de caractéristiques faites à la main (ex: HOG, caractéristiques de Haar) ancrées par les travaux de Dalal et Triggs [32] et Dollár et al. [6].
- Grappe Jaune (Transitionnelle) : Agit comme un pont, contenant des études qui intègrent les méthodes classiques avec le début du deep learning ou traitent des défis spécifiques comme l'occlusion (ex: Hwang et al. [26], Benenson et al. [27]).
- Grappe Rouge (Moderne) : Représente l'ère du deep learning, dominée par les architectures CNN (R-CNN, YOLO) et, plus récemment, par les modèles basés sur les Transformers.
- Chemin Principal : Le chemin principal mondial confirme une évolution séquentielle du design de caractéristiques manuelles vers HOG/SVM, suivie d'une transition vers les détecteurs basés sur les CNN, et enfin vers les mécanismes d'attention et les transformers. Le chemin local ascendant souligne que les méthodes traditionnelles ont continué d'évoluer parallèlement aux premières tentatives de deep learning avant que ce dernier ne devienne dominant.
Évolution des Mots-clés : La recherche précoce (1990–2005) se concentrait sur la « vision par ordinateur » et la « reconnaissance d'objets ». La période 2006–2015 a introduit l'« apprentissage automatique » (machine learning) et l'« ADAS ». La période 2016–2026 est caractérisée par le « deep learning », les « réseaux de neurones convolutifs », la « sécurité des piétons » et l'intégration de « multi-capteurs », indiquant un passage de la précision algorithmique pure à la sécurité et aux applications au niveau du système.

Signification et Revendications
Les auteurs affirment que cette étude offre une « compréhension systémique » de l'évolution du domaine de l'IA, se distinguant des revues traditionnelles qui se concentrent uniquement sur les comparaisons techniques. Sur le plan théorique, l'ouvrage pose que l'évolution de l'IA est un processus de diffusion, d'accumulation et de restructuration des connaissances plutôt que des avancées technologiques isolées. Il souligne que les changements de paradigme se produisent par la coexistence et la négociation entre les anciennes et les nouvelles connaissances, plutôt que par un remplacement immédiat.

Sur le plan pratique, les conclusions fournissent des perspectives stratégiques pour la conception de systèmes intelligents, particulièrement pour les applications critiques pour la sécurité comme la conduite autonome et les systèmes d'aide à la conduite avancée (ADAS). En identifiant les « ancres de connaissances » et les phases de transition, l'étude aide à sélectionner les modèles et les architectures appropriés. Les auteurs insistent sur la nécessité d'un changement de perspective, passant d'un état d'esprit « centré sur l'algorithme » à une approche « systèmes et société », où la détection de piétons est évaluée dans le contexte plus large du transport intelligent, de la sécurité et des considérations éthiques. L'étude conclut que bien que le domaine ait mûri techniquement, les progrès futurs nécessitent une collaboration internationale accrue, une intégration interdisciplinaire et un accent mis sur les défis de déploiement en conditions réelles, tels que la robustesse dans des conditions défavorables et l'utilisation éthique des données.