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

기술 요약: 보행자 탐지 분야의 지식 진화 및 AI 패러다임 전환

문제 제기
보행자 탐지는 컴퓨터 비전과 지능형 교통 시스템(ITS)의 초석이지만, 기존 문헌들은 주로 알고리즘 성능, 데이터셋 벤치마크 또는 특정 응용 분야의 과제에 집중되어 있다. 이러한 기술적 검토들은 지식 기반의 구조적 진화와 인공지기능(AI) 패러다임이 출현하고 변모하는 메커니즘을 간과하는 경향이 있다. 즉, 거시적 수준의 지식 구조, 연구 네트워크, 그리고 전통적 방법론에서 현대의 딥러닝 및 트랜스포머 기반 접근 방식으로의 역동적인 전환 과정을 이해하는 데 있어 상당한 공백이 존재한다. 본 연구는 계량서지학적 분석과 AI 패러다임 전환을 결합하여, 보행자 탐지 분야가 어떻게 진화해 왔는지에 대한 시스템 차원의 이해를 제공하기 위해 체계적이고 이론 중심적인 검토를 수행한다.

연구 방법론
본 연구는 1990년부터 2026년까지 Scopus 데이터베이스에서 검색된 5,926편의 출판물을 분석하기 위해 통합된 계량서지학 및 과학계량학 프레임워크를 채택하였다. 데이터 수집은 "pedestrian detection", "human detection" 및 딥러닝 기술과 관련된 특정 검색어를 사용하여 영어로 작성된 과학 논문 및 컨퍼런스 프로시딩을 필터링하는 PRISMA 호환 프로세스를 따랐다.

분석 파이프라인은 다음과 같은 세 가지 주요 단계로 구성된다:

1. 데이터 전처리: Python을 사용하여 저자 이름, 소속 및 키워드를 정제하고 정규화한다.
2. 네트워크 분석: 모듈성 최적화(modularity optimization)를 기반으로 한 VOSviewer 클러스터링과 주 경로 분석(main path analysis)을 위한 Pajek을 활용한다.
   • 협업 네트워크: 총 출판 수(TP), 총 글로벌 인용 수(TGC), 총 로컬 인용 수(TLC), 차수(Degree), 총 링크 강도(TLS), 가중치 중심성(WBC) 등의 지표를 사용하여 국가, 기관 및 저자 수준에서 분석한다.
   • 공동 인용 분석: 빈번하게 공동 인용되는 참조 문헌의 클러스터를 식별함으로써 지식 커뮤니티를 매핑하고 지적 토대를 밝힌다.
   • 주 경로 분석: 지식의 연대기적 흐름을 추적하고 가장 영향력 있는 인용 경로를 식별하기 위해 글로벌 표준 및 역방향 로컬 주 경로 알고리즘을 적용한다.
   • 키워드 공생(Co-occurrence): 세 가지 뚜렷한 시기(1990–2005, 2006–2015, 2016–2026)에 걸친 연구 주제의 진화를 조사하여 패러다임 전환을 추적한다.

주요 기여
본 논문은 해당 분야에 세 가지 주요 기여를 한다:

1. 방법론적 프레임워크: 단순한 기술적 통계를 넘어 지식 구조를 재구성하고 이를 학습 패러다임의 진화와 명시적으로 연결함으로써, 계량서지학적 분석과 AI 중심의 이론적 해석을 통합하는 새로운 프레임워크를 구축한다.
2. 구조적 통찰: "지식 허브"(중심 노드)의 역할, 연구 클러스터의 형성 및 지식 전파 메커니즘에 대한 깊은 통찰을 제공하며, 이 분야가 척도 없는(scale-free) 계층적 구조를 따르고 있음을 밝힌다.
3. 패러다임 전환 매핑: 보행자 탐지의 진화를 단순히 방법론의 급격한 교체가 아니라, 중간 단계의 지식 통합과 패러다임의 공존을 포함하는 역동적인 과정으로 개념화한다.

결과

• 출판 트렌드: 해당 분야는 지수적 성장($R^2 = 0.701$)을 보이며, 2010년 이후 출판물이 급증하여 최근 몇 년간 연간 500편 이상의 논문이 발표되는 정점에 도달했다. 이러한 성장은 딥러닝의 도입과 강력한 상관관계를 가진다.
• 협업 네트워크: 연구 지형은 지리적으로 불균형하다. 중국은 출판량(TP = 2,665)과 인용 수에서 압도적이며 중심 허브 역할을 하고 있다. 그러나 영국, 프랑스, 미국과 같은 국가들은 더 높은 국제 협업 강도(TLS/TP 비율)를 보여준다. 네트워크 구조는 파편화되어 있으며, 연구 그룹들이 종종 단일 기관이나 지역 내에 집중되어 있어 클러스터 간의 지식 교류를 제한하고 있다.
• 지식 진화 (공동 인용 및 주 경로):
  • 그린 클러스터 (기초 단계): Dalal 및 Triggs [32]와 Dollár 등 [6]의 연구에 뿌리를 둔 고전적인 핸드크래프트 특징(handcrafted feature) 방법(예: HOG, Haar features)을 나타낸다.
  • 옐로우 클러스터 (전이 단계): 가교 역할을 하며, 고전적 방법론과 초기 딥러닝을 통합하거나 폐쇄(occlusion)와 같은 특정 문제를 다루는 연구들을 포함한다 (예: Hwang 등 [26], Benenson 등 [27]).
  • 레드 클러스터 (현대 단계): CNN 아키텍처(R-CNN, YOLO)가 주도하고 최근에는 트랜스포머 기반 모델이 지배하는 딥러닝 시대를 나타낸다.
  • 주 경로: 글로벌 주 경로는 수동 특징 설계에서 HOG/SVM으로, 이어 CNN 기반 탐지기로, 마지막으로 어텐션 메커니즘과 트랜스포머로 이어지는 순차적 진화를 확인시켜 준다. 역방향 로컬 경로는 후자가 지배적이 되기 전까지 전통적인 방법론이 초기 딥러닝 시도와 함께 계속 진화했음을 강조한다.
• 키워드 진화: 초기 연구(1990–2005)는 "컴퓨터 비전"과 "객체 인식"에 집중했다. 2006–2015년 기간에는 "머신 러닝"과 "ADAS"가 도입되었다. 2016–2026년 기간은 "딥러닝", "합성곱 신경망(CNN)", "보행자 안전" 및 "멀티 센서" 통합이 특징이며, 이는 순수한 알고리즘 정확도에서 시스템 수준의 안전 및 응용으로의 전환을 나타낸다.

의의 및 주장
저자들은 본 연구가 단순한 기술 비교에 집중하는 전통적인 리뷰와 달리, AI 분야 진화에 대한 "시스템 수준의 이해"를 제공한다고 주장한다. 이론적으로, 이 연구는 AI의 진화가 고립된 기술적 발전이 아니라 지식의 확산, 축적 및 재구조화 과정이라고 상정한다. 또한 패러다임 전환은 구 지식과 신 지식 사이의 즉각적인 대체가 아니라, 두 지식 간의 공존과 협상을 통해 발생함을 강조한다.

실무적으로, 본 연구의 결과는 자율 주행 및 첨단 운전자 보조 시스템(ADAS)과 같은 안전 필수 응용 분야를 위한 지능형 시스템 설계에 전략적 통찰을 제공한다. "지식 앵커"와 전이 단계를 식별함으로써, 본 연구는 적절한 모델과 아키텍처를 선택하는 데 도움을 준다. 저자들은 관점의 변화가 "알고리즘 중심" 사고방식에서 지능형 교통, 안전 및 윤리적 고려 사항이라는 더 넓은 맥락 내에서 보행자 탐지를 평가하는 "시스템 및 사회" 접근 방식으로 전환되어야 함을 강조한다. 결론적으로, 이 분야는 기술적으로 성숙했으나, 향후 발전에는 강화된 국제적 협력, 학제 간 통합, 그리고 열악한 환경에서의 견고성 및 윤리적 데이터 사용과 같은 실제 배포 과제에 대한 집중이 필요하다.