💻 computer science

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

Deze studie integreert bibliometrische analyse met een AI-paradigma perspectief om de structurele evolutie van voetgangersdetectieonderzoek in kaart te brengen, waarbij wordt onthuld dat de transitie van het vakgebied van handmatige kenmerken naar deep learning en transformers plaatsvindt door middel van geleidelijke kennisintegratie in plaats van abrupte verschuivingen, waardoor een nieuw theoretisch kader wordt geboden voor het begrijpen van AI-ontwikkeling.

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

Gepubliceerd 2026-06-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het vakgebied van de voetgangersdetectie (computers leren om mensen te herkennen in video) voor als een enorme, bruisende bibliotheek die al meer dan 30 jaar in groei is. Dit artikel leest niet alleen de boeken; het fungeert als een superbibliothecaris die het hele gebouw in kaart brengt, traceert hoe ideeën van de ene plank naar de andere zijn gereisd en identificeert welke boeken de "bestsellers" zijn waar iedereen naar blijft verwijzen.

Hier is een eenvoudige uitsplitsing van wat de auteurs, Vo Thanh Kiet en zijn team, hebben ontdekt:

1. De groeispurt van de bibliotheek

Voor een lange tijd (1990–2004) was deze bibliotheek stil. Slechts enkelen schreven over hoe men mensen kon herkennen met behulp van "hand-crafted" regels (zoals het tekenen van specifieke vormen om een persoon te vinden).

De verschuiving: Rond 2010 explodeerde de bibliotheek. Het is alsof er plotseling een enorme stroom nieuwe studenten binnenkwam. Tegen 2020 was het aantal nieuw gepubliceerde boeken per jaar gestegen van enkele tientallen naar meer dan 500.
De oorzaak: Deze boom kwam voort uit het feit dat de bibliotheek de overstap maakte van "handgetekende regels" naar Deep Learning (het laten leren van de regels door de computer door naar miljoenen foto's te kijken).

2. Wie schrijft de boeken? (De samenwerkingskaart)

De auteurs brachten in kaart wie met wie praat.

De grote spelers: China is de reus in deze kamer en schrijft meer dan de helft van alle boeken. De Verenigde Staten is de tweede grootste, gevolgd door India, Japan en Duitsland.
Het sociale netwerk: Hoewel China de meeste boeken schrijft, zijn het het Verenigd Koninkrijk en Frankrijk die het meest sociaal zijn. Zij schrijven minder boeken, maar werken samen met veel verschillende landen.
Het probleem: De bibliotheek is een beetje gefragmenteerd. Veel onderzoeksgroepen zijn als de klikjes op de middelbare school—ze praten veel met elkaar, maar zelden met de groepen uit andere landen of scholen. De auteurs suggereren dat we meer "mixers" nodig hebben om deze geïsoleerde groepen met elkaar te verbinden.

3. Het "Hoofdpad" van kennis

Stel je kennis voor als een rivier die vanuit het verleden naar de toekomst stroomt. De auteurs gebruikten een speciale tool om het Hoofdpad te traceren—de sterkste, belangrijkste stroom van ideeën.

De oude rivier (jaren 1990–2000): Het water stroomde door "Handcrafted Features". Wetenschappers ontwierpen handmatig regels (zoals "mensen hebben twee benen") om voetgangers te vinden.
De transitie (Het middengebied): De rivier droogde niet direct op en begon niet meteen een nieuwe weg. Er was een moerassige middenzone waar oude regels en nieuwe AI-methoden naast elkaar bestonden. Wetenschappers testten beide methoden tegelijkertijd, waardoor de kloof werd overbrugd.
De nieuwe rivier (2015–heden): Het water stroomt nu via Deep Learning en Transformers. In plaats van dat mensen regels tekenen, leert de computer deze automatisch.
Het cruciale inzicht: De verandering was geen plotselinge explosie die de oude manieren wegvaagde. Het was een langzame, evolutionaire verschuiving waarbij nieuwe ideeën bovenop de oude groeiden.

4. De "Hall of Fame" (Meest invloedrijke boeken)

De auteurs identificeerden de top 10 meest geciteerde papers (de "Hall of Fame").

De legende: Het boek van Dalal en Triggs (2005) is de onbetwiste koning. Het wordt meer dan twee keer zo vaak geciteerd als het op één na populairste boek. Het legde de basis voor het gehele vakgebied.
De nieuwe garde: Na 2014 vulde de "Hall of Fame" zich met papers over CNN's (een type AI) en Transformers (een nieuwere, krachtigere AI).
De waarschuwing: Omdat iedereen steeds naar dezelfde paar "klassieke" boeken blijft verwijzen, is het moeilijk voor gloednieuwe, vreemde of afwijkende ideeën om opgemerkt te worden. Het is als een radiostation dat alleen de bekende top 10 hits draait; nieuwe artiesten hebben moeite om zendtijd te krijgen.

5. Waar praten ze nu over? (Evolutie van trefwoorden)

Als je naar de "tags" op de boeken kijkt, is het gesprek volledig veranderd:

Toen (jaren 1990): De tags waren "Algoritmen", "Beeldanalyse" en "Intelligente voertuigen". De focus lag puur op de wiskunde.
Nu (jaren 2020): De tags zijn "Voetgangersveiligheid", "Autonoom rijden" en "Implementatie in de echte wereld".
De grote verandering: De focus is verschoven van "Hoe laten we de wiskunde werken?" naar "Hoe houden we mensen veilig in de echte wereld?". Het gesprek gaat nu over veiligheid en systemen, niet alleen over code.

De kernboodschap

Dit artikel betoogt dat we niet alleen moeten kijken naar hoe goed een computer een persoon detecteert (de technische score). In plaats daarvan moeten we kijken naar de geschiedenis van het vakgebied om te begrijpen hoe het hier terecht is gekomen.

De auteurs concluderen dat de evolutie van AI als een groeiende boom is, niet als een reeks plotselinge vervangingen. De oude wortels (hand-crafted regels) zijn er nog steeds en ondersteunen de nieuwe takken (Deep Learning). Echter, het veld wordt momenteel gedomineerd door een paar grote landen en een paar "super-geciteerde" papers, wat de groei van frisse, nieuwe ideeën kan blokkeren. Om vooruit te komen, moeten we meer onderzoekers wereldwijd verbinden en ons minder richten op het behalen van een hoge score en meer op het bouwen van veilige, real-world systemen.

Technische Samenvatting: Kennisevolutie en AI-paradigmaverschuivingen in Voetgangersdetectie

Probleemstelling
Hoewel voetgangersdetectie een hoeksteen is van computer vision en intelligente transportonderzoekssystemen (ITS), richt de bestaande literatuur zich voornamelijk op algoritmische prestaties, dataset-benchmarks of specifieke applicatie-uitdagingen. Deze technische reviews negeren grotendeels de structurele evolutie van de kennisbasis van het vakgebied en de mechanismen waardoor AI-paradigma's ontstaan en transformeren. Er is een aanzienlijk gat in het begrip van de macro-niveau kennisstructuur, onderzoeksnetwerken en de dynamische overgang van traditionele methoden naar moderne deep learning en transformer-gebaseerde benaderingen. Deze studie adresseert de behoefte aan een systematische, theoretisch georiënteerde review die bibliometrische analyse koppelt aan AI-paradigmaverschuivingen om een systeemniveau-begrip te bieden van hoe het vakgebied is geëvolueerd.

Methodologie
De studie maakt gebruik van een verenigd bibliometrisch en scientometrisch kader om 5.926 publicaties te analyseren die zijn opgehaald uit de Scopus-database, over de periode van 1990 tot 2026. De gegevensverzameling volgde een PRISMA-compatibel proces, waarbij werd gefilterd op Engelstalige wetenschappelijke artikelen en conferentieverslagen met behulp van specifieke zoekopdrachten gerelateerd aan "pedestrian detection", "human detection" en deep learning-technieken.

De analytische pijplijn bestaat uit drie hoofdfasen:

Data Preprocessing: Het opschonen en normaliseren van auteursnamen, affiliaties en trefwoorden met behulp van Python.
Netwerkanalyse: Gebruikmaken van VOSviewer voor clustering op basis van modulariteitsoptimalisatie en Pajek voor main path-analyse.
- Collaboratie-netwerken: Geanalyseerd op land-, instellings- en autorauteursniveau met metrieken zoals Totaal Aantal Publicaties (TP), Totaal Wereldwijd Citaties (TGC), Totaal Lokaal Citaties (TLC), Graad, Totale Linksterkte (TLS) en Gewogen Betweenness Centrality (WBC).
- Co-citatie-analyse: De intellectuele fundamenten in kaart gebracht door clusters van veelvuldig geciteerde referenties te identificeren om kennisgemeenschappen te onthullen.
- Main Path Analysis: Toegepast van globale standaard en achterwaartse lokale main path-algoritmen om de chronologische stroom van kennis te traceren en de meest invloedrijke citatiepaden te identificeren.
- Trefwoord Co-occurrence: De evolutie van onderzoeksonderwerpen onderzocht over drie afzonderlijke perioden (1990–2005, 2006–2015, 2016–2026) om paradigmaverschuivingen te volgen.

Belangrijkste Bijdragen
Het artikel levert drie primaire bijdragen aan het vakgebied:

Methodologisch Kader: Het vestigt een nieuw kader dat bibliometrische analyse integreert met AI-georiënteerde theoretische interpretatie, waarbij verder wordt gegaan dan beschrijvende statistiek om de kennisstructuur te reconstrueren en deze expliciet te koppelen aan de evolutie van leerparadigma's.
Structurele Inzichten: Het biedt diepgaande inzichten in de rol van "kennis hubs" (centrale knooppunten), de vorming van onderzoekclusters en de mechanismen van kennispropagatie, waarbij wordt onthuld dat het vakgebied een scale-free en hiërarchische structuur volgt.
Mapping van Paradigma-transitie: Het conceptualiseert de evolutie van voetgangersdetectie niet als een abrupte vervanging van methoden, maar als een dynamisch proces dat intervalliefases van kennisintegratie en paradigma-coexistentie omvat.

Resultaten

Publicatietrends: Het vakgebied vertoont exponentiële groei ( $R^2 = 0,701$ ), met een dramatische stijging in publicaties na 2010, met een piek van meer dan 500 artikelen per jaar in recente jaren. Deze groei correleert sterk met de adoptie van deep learning.
Collaboratie-netwerken: Het onderzoekslandschap is geografisch ongebalanceerd. China domineert in publicatievolume (TP = 2.665) en citaties, en fungeert als een centrale hub. Landen als het VK, Frankrijk en de VS vertonen echter een hogere intensiteit van internationale samenwerking (TLS/TP-ratio). De netwerkstructuur is gefragmenteerd, waarbij onderzoeksgroepen vaak geconcentreerd zijn binnen enkele instellingen of regio's, wat de kennisuitwisseling tussen clusters beperkt.
Kennisevolutie (Co-citatie & Main Path):
- Groene Cluster (Fundamenteel): Vertegenwoordigt klassieke handmatige feature-methoden (bijv. HOG, Haar-features) verankerd door werken zoals Dalal en Triggs [32] en Dollár et al. [6].
- Gele Cluster (Transitie): Fungeert als een brug en bevat studies die klassieke methoden integreren met vroege deep learning of specifieke uitdagingen aanpakken zoals occlusie (bijv. Hwang et al. [26], Benenson et al. [27]).
- Rode Cluster (Modern): Vertegenwoordigt het deep learning-tijdperk, gedomineerd door CNN-architecturen (R-CNN, YOLO) en recenter door Transformer-gebaseerde modellen.
- Main Path: De globale main path bevestigt een sequentiële evolutie van handmatig feature-ontwerp naar HOG/SVM, gevolgd door een transitie naar CNN-gebaseerde detectoren, en uiteindelijk naar aandachtmechanismen (attention mechanisms) en transformers. Het achterwaartse lokale pad benadrukt dat traditionele methoden bleven evolueren naast vroege deep learning-pogingen voordat deze laatste dominant werden.
Trefwoord Evolutie: Vroeg onderzoek (1990–2005) richtte zich op "computer vision" en "object recognition". De periode 2006–2015 introduceerde "machine learning" en "ADAS". De periode 2016–2026 wordt gekenmerkt door "deep learning", "convolutional neural networks", "pedestrian safety" en multi-sensor integratie, wat wijst op een verschuiving van pure algoritmische nauwkeurigheid naar systeemniveau-veiligheid en applicatie.

Betekenis en Claims
De auteurs stellen dat deze studie een "systeemniveau-begrip" biedt van de evolutie van AI-velden, wat het onderscheidt van traditionele reviews die zich enkel richten op technische vergelijkingen. Theoretisch stelt het werk dat AI-evolutie een proces is van kennisdiffusie, accumulatie en herstructurering in plaats van geïsoleerde technologische vooruitgangen. Het benadrukt dat paradigmaverschuivingen plaatsvinden door coexistentie en onderhandeling tussen oude en nieuwe kennis, in plaats van directe vervanging.

In de praktijk bieden de bevindingen strategische inzichten voor het ontwerpen van intelligente systemen, met name voor veiligheidskritische toepassingen zoals autonoom rijden en Advanced Driver Assistance Systems (ADAS). Door "kennisankers" en transitiefases te identificeren, helpt de studie bij het selecteren van geschikte modellen en architecturen. De auteurs benadrukken een noodzakelijke verschuiving in perspectief van een "algoritme-centrische" mindset naar een "systemen en samenleving" benadering, waarbij voetgangersdetectie wordt geëvalueerd binnen de bredere context van intelligent transport, veiligheid en ethische overwegingen. De studie concludeert dat hoewel het vakgebied technisch volwassen is geworden, toekomstige vooruitgang vereist dat er meer aandacht wordt besteed aan internationale samenwerking, interdisciplinaire integratie en de uitdagingen van implementatie in de echte wereld, zoals robuustheid in ongunstige omstandigheden en ethisch verantwoord datagebruik.