💻 computer science

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

Questo studio integra l'analisi bibliometrica con una prospettiva di paradigma dell'IA per mappare l'evoluzione strutturale della ricerca sul rilevamento dei pedoni, rivelando che la transizione del campo dalle caratteristiche artigianali al deep learning e ai transformer avviene attraverso un'integrazione graduale della conoscenza piuttosto che attraverso cambiamenti bruschi, offrendo così un nuovo quadro teorico per comprendere lo sviluppo dell'IA.

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

Pubblicato 2026-06-29

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina il campo del rilevamento dei pedoni (insegnare ai computer come individuare persone nei video) come una biblioteca enorme e frenetica che cresce da oltre 30 anni. Questo articolo non si limita a leggere i libri; agisce come un super-bibliotecario che mappa l'intero edificio, traccia come le idee si siano spostate da uno scaffale all'altro e identifica quali libri sono i "bestseller" che tutti continuano a citare.

Ecco una semplice suddivisione di ciò che gli autori, Vo Thanh Kiet e il suo team, hanno scoperto:

1. Il colpo di crescita della biblioteca

Per molto tempo (1990–2004), questa biblioteca è stata silenziosa. Solo poche persone scrivevano su come individuare le persone usando regole "create artigianalmente" (come disegnare forme specifiche per trovare una persona).

Il Cambiamento: Intorno al 2010, la biblioteca è esplosa. È come un improvviso afflusso di nuovi studenti. Entro il 2020, il numero di nuovi libri pubblicati ogni anno è passato da poche decine a oltre 500.
La Causa: Questo boom è avvenuto perché la biblioteca è passata dalle "regole disegnate a mano" al Deep Learning (lasciare che il computer impari le regole guardando milioni di foto).

2. Chi scrive i libri? (La mappa delle collaborazioni)

Gli autori hanno mappato chi parla con chi.

I Grandi Protagonisti: La Cina è il gigante in questa stanza, scrivendo più della metà di tutti i libri. Gli Stati Uniti sono i secondi più grandi, seguiti da India, Giappone e Germania.
La Rete Sociale: Sebbene la Cina scriva di più, il Regno Unito e la Francia sono i più socievoli. Scrivono meno libri, ma collaborano con molti paesi diversi.
Il Problema: La biblioteca è un po' frammentata. Molti gruppi di ricercatori sono come le clique delle scuole superiori: parlano molto tra loro, ma raramente parlano con i gruppi di altri paesi o università. Gli autori suggeriscono che abbiamo bisogno di più "mixer" per connettere questi gruppi isolati.

3. Il "Percorso Principale" della conoscenza

Immagina la conoscenza come un fiume che scorre dal passato verso il futuro. Gli autori hanno usato uno strumento speciale per tracciare il Percorso Principale (Main Path)—la corrente di idee più forte e importante.

Il Vecchio Fiume (anni '90–2000): L'acqua scorreva attraverso le "Caratteristiche Artigianali" (Handcrafted Features). Gli scienziati progettavano manualmente le regole (come "le persone hanno due gambe") per trovare i pedoni.
La Transizione (La zona intermedia): Il fiume non si è prosciugato per farne uno nuovo immediatamente. C'è stata una zona intermedia paludosa dove le vecchie regole e i nuovi metodi di IA coesistevano. Gli scienziati stavano testando entrambi contemporaneamente, colmando il divario.
Il Nuovo Fiume (2015–Presente): L'acqua ora scorre attraverso il Deep Learning e i Transformer. Invece di far disegnare le regole agli umani, il computer le impara automaticamente.
L'Intuizione Chiave: Il cambiamento non è stato un'esplosione improvvisa che ha cancellato i vecchi modi. È stato un lento spostamento evolutivo in cui le nuove idee sono cresciute sopra le vecchie.

4. La "Hall of Fame" (I libri più influenti)

Gli autori hanno identificato i 10 articoli più citati (la "Hall of Fame").

La Leggenda: Il libro di Dalal e Triggs (2005) è l'indiscusso re. È citato più del doppio rispetto al secondo libro più popolare. Ha gettato le fondamenta dell'intero campo.
La Nuova Guardia: Dopo il 2014, la "Hall of Fame" si è riempita di articoli riguardanti le CNN (un tipo di IA) e i Transformer (un'IA più recente e potente).
L'Avvertimento: Poiché tutti continuano a citare gli stessi pochi libri "classici", è difficile che le idee nuove, strane o diverse vengano notate. È come una stazione radio che trasmette solo i 10 successi di sempre; i nuovi artisti faticano a ottenere spazio all'aria.

5. Di cosa parlano ora? (L'evoluzione delle parole chiave)

Se guardiamo i "tag" dei libri, la conversazione è cambiata completamente:

Allora (anni '90): I tag erano "Algoritmi", "Analisi delle Immagini" e "Veicoli Intelligenti". L'attenzione era puramente sulla matematica.
Ora (anni 2020): I tag sono "Sicurezza dei Pedoni", "Guida Autonoma" e "Implementazione nel Mondo Reale".
Il Grande Cambiamento: L'attenzione si è spostata da "Come facciamo a far funzionare la matematica?" a "Come proteggiamo le persone nel mondo reale?". La conversazione riguarda ora la sicurezza e i sistemi, non solo il codice.

Il Punto Fondamentale

Questo articolo sostiene che non dovremmo solo guardare quanto bene un computer rileva una persona (il punteggio tecnico). Inveve, dovremmo guardare la storia del campo per capire come ci siamo arrivati.

Gli autori concludono che l'evoluzione dell'IA è come un albero in crescita, non una serie di sostituzioni improvvise. Le vecchie radici (regole create artigianalmente) sono ancora lì, a sostenere i nuovi rami (Deep Learning). Tuttavia, il campo è attualmente dominato da alcuni grandi paesi e da alcuni articoli "super-citati", il che potrebbe bloccare la crescita di idee fresche e nuove. Per andare avanti, dobbiamo connettere di più i ricercatori a livello globale e concentrarci meno sul ottenere un punteggio alto e più sul costruire sistemi sicuri per il mondo reale.

Sintesi Tecnica: Evoluzione della Conoscenza e Cambiamenti di Paradigma dell'IA nel Rilevamento dei Pedoni

Definizione del Problema
Sebbene il rilevamento dei pedoni sia un pilastro della visione artificiale e dei sistemi di trasporto intelligenti (ITS), la letteratura esistente si concentra prevalentemente sulle prestazioni algoritmiche, sui benchmark dei dataset o su specifiche sfide applicative. Queste revisioni tecniche trascurano ampiamente l'evoluzione strutturale della base di conoscenza del settore e i meccanismi attraverso i quali emergono e si trasformano i paradigmi dell'Intelligenza Artificiale (IA). Esiste una lacuna significativa nella comprensione della struttura della conoscenza a livello macroscopico, delle reti di ricerca e della transizione dinamica dai metodi tradizionali ai moderni approcci basati sul deep learning e sui transformer. Questo studio affronta la necessità di una revisione sistematica e orientata alla teoria che integri l'analisi bibliometrica con i cambiamenti di paradigma dell'IA per fornire una comprensione sistemica di come il campo si sia evoluto.

Metodologia
Lo studio impiega un quadro unificato bibliometrico e scientometrico per analizzare 5.926 pubblicazioni recuperate dal database Scopus, coprendo il periodo dal 1990 al 2026. La raccolta dei dati ha seguito un processo compatibile con lo standard PRISMA, filtrando articoli scientifici e atti di conferenze in lingua inglese utilizzando query di ricerca specifiche relative a "pedestrian detection", "human detection" e tecniche di deep learning.

La pipeline analitica consiste in tre fasi principali:

Pre-elaborazione dei Dati: Pulizia e normalizzazione di nomi di autori, affiliazioni e parole chiave utilizzando Python.
Analisi delle Reti: Utilizzo di VOSviewer per il clustering basato sull'ottimizzazione della modularità e di Pajek per l'analisi del percorso principale (main path analysis).
- Reti di Collaborazione: Analizzate a livello di paese, istituzione e autore utilizzando metriche quali Pubblicazioni Totali (TP), Citazioni Globali Totali (TGC), Citazioni Locali Totali (TLC), Grado (Degree), Forza Totale dei Collegamenti (TLS) e Centralità di Betweenness Pesata (WBC).
- Analisi della Co-citazione: Mappatura delle fondamenta intellettuali identificando cluster di riferimenti frequentemente co-citati per rivelare le comunità di conoscenza.
- Analisi del Percorso Principale (Main Path Analysis): Applicazione di algoritmi di percorso principale standard globale e di percorso principale locale a ritroso per tracciare il flusso cronologico della conoscenza e identificare i percorsi di citazione più influenti.
- Co-occorrenza di Parole Chiave: Esame dell'evoluzione degli argomenti di ricerca attraverso tre distinti periodi (1990–2005, 2006–2015, 2016–2026) per tracciare i cambiamenti di paradigma.

Contributi Chiave
Il documento apporta tre contributi primari al settore:

Quadro Metodologico: Stabilisce un nuovo framework che integra l'analisi bibliometrica con l'interpretazione teorica orientata all'IA, andando oltre la statistica descrittiva per ricostruire la struttura della conoscenza e collegarla esplicitamente all'evoluzione dei paradigmi di apprendimento.
Approfondimenti Strutturali: Fornisce approfondimenti sulla funzione degli "hub di conoscenza" (nodi centrali), sulla formazione dei cluster di ricerca e sui meccanismi di propagazione della conoscenza, rivelando che il campo segue una struttura scale-free e gerarchica.
Mappatura della Transizione di Paradigma: Concettualizza l'evoluzione del rilevamento dei pedoni non come una sostituzione abrupta di metodi, ma come un processo dinamico che coinvolge fasi intermedie di integrazione della conoscenza e coesistenza di paradigmi.

Risultati

Tendenze delle Pubblicazioni: Il campo mostra una crescita esponenziale ( $R^2 = 0,701$ ), con un aumento drammatico delle pubblicazioni dopo il 2010, raggiungendo un picco di oltre 500 articoli all'anno negli ultimi anni. Questa crescita correla fortemente con l'adozione del deep learning.
Reti di Collaborazione: Il panorama della ricerca è geograficamente sbilanciato. La Cina domina per volume di pubblicazioni (TP = 2.665) e citazioni, agendo come un hub centrale. Tuttavia, paesi come il Regno Unito, la Francia e gli Stati Uniti dimostrano un'intensità di collaborazione internazionale superiore (rapporto TLS/TP). La struttura della rete è frammentata, con gruppi di ricerca spesso concentrati all'interno di singole istituzioni o regioni, limitando lo scambio di conoscenza tra i cluster.
Evoluzione della Conoscenza (Co-citazione e Percorso Principale):
- Cluster Verde (Fondamentale): Rappresenta i metodi classici basati su feature progettate manualmente (es. HOG, Haar features) ancorati a lavori come Dalal e Triggs [32] e Dollár et al. [6].
- Cluster Giallo (Transizionale): Agisce come un ponte, contenendo studi che integrano i metodi classici con il primo deep learning o che affrontano sfide specifiche come l'occlusione (es. Hwang et al. [26], Benenson et al. [27]).
- Cluster Rosso (Moderno): Rappresenta l'era del deep learning, dominata da architetture CNN (R-CNN, YOLO) e, più recentemente, da modelli basati su Transformer.
- Percorso Principale: Il percorso principale globale conferma un'evoluzione sequenziale dalla progettazione di feature manuali a HOG/SVM, seguita da una transizione verso i detector basati su CNN e, infine, verso i meccanismi di attenzione e i transformer. Il percorso locale a ritroso evidenzia che i metodi tradizionali hanno continuato a evolversi parallelamente ai primi tentativi di deep learning prima che quest'ultimo diventasse dominante.
Evoluzione delle Parole Chiave: La ricerca precoce (1990–2005) si concentrava su "computer vision" e "object recognition". Il periodo 2006–2015 ha introdotto "machine learning" e "ADAS". Il periodo 2016–2026 è caratterizzato da "deep learning", "convolutional neural networks", "pedestrian safety" e integrazione "multi-sensor", indicando un passaggio dalla pura accuratezza algoritmica alla sicurezza e all'applicazione a livello di sistema.

Significatività e Rivendicazioni
Gli autori affermano che questo studio offre una "comprensione a livello di sistema" dell'evoluzione del campo dell'IA, distinguendolo dalle revisioni tradizionali che si concentrano esclusivamente sui confronti tecnici. Teoricamente, il lavoro pone che l'evoluzione dell'IA sia un processo di diffusione, accumulo e ristrutturazione della conoscenza piuttosto che di avanzamenti tecnologici isolati. Evidenzia che i cambiamenti di paradigma avvengono attraverso la coesistenza e la negoziazione tra vecchia e nuova conoscenza, anziché tramite una sostituzione immediata.

Praticamente, i risultati forniscono spunti strategici per la progettazione di sistemi intelligenti, in particolare per applicazioni critiche per la sicurezza come la guida autonoma e i sistemi avanzati di assistenza alla guida (ADAS). Identificando gli "ancore di conoscenza" e le fasi transizionali, lo studio aiuta nella selezione di modelli e architetture appropriati. Gli autori sottolineano la necessità di un cambio di prospettiva da una mentalità "centrata sull'algoritmo" a un approccio "sistemi e società", dove il rilevamento dei pedoni viene valutato nel contesto più ampio del trasporto intelligente, della sicurezza e delle considerazioni etiche. Lo studio conclude che, sebbene il campo sia maturato tecnicamente, il progresso futuro richiede una maggiore collaborazione internazionale, integrazione interdisciplinare e un focus sulle sfide del dispiegamento nel mondo reale, come la robustezza in condizioni avverse e l'uso etico dei dati.