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

Resumo Técnico: Evolução do Conhecimento e Mudanças de Paradigma de IA na Detecção de Pedestres

Definição do Problema
Embora a detecção de pedestres seja um pilar da visão computacional e dos sistemas de transporte inteligentes (ITS), a literatura existente foca predominantemente no desempenho algorítmico, benchmarks de conjuntos de dados ou desafios de aplicações específicas. Estas revisões técnicas negligenciam amplamente a evolução estrutural da base de conhecimento do campo e os mecanismos através dos quais os paradigmas de Inteligência Artificial (IA) emergem e se transformam. Existe uma lacuna significativa na compreensão da estrutura de conhecimento em nível macro, das redes de pesquisa e da transição dinâmica dos métodos tradicionais para as abordagens modernas de aprendizado profundo (deep learning) e baseadas em Transformers. Este estudo aborda a necessidade de uma revisão sistemática e orientada pela teoria que una a análise bibliométrica às mudanças de paradigma de IA para fornecer uma compreensão de nível de sistema sobre como o campo evoluiu.

Metodologia
O estudo emprega um framework unificado bibliométrico e cientométrico para analisar 5.926 publicações recuperadas da base de dados Scopus, cobrindo o período de 1990 a 2026. A coleta de dados seguiu um processo compatível com PRISMA, filtrando artigos científicos e anais de conferências em língua inglesa utilizando consultas de busca específicas relacionadas a "detecção de pedestres" (pedestrian detection), "detecção de humanos" (human detection) e técnicas de aprendizado profundo.

O pipeline analítico consiste em três etapas principais:

1. Pré-processamento de Dados: Limpeza e normalização de nomes de autores, afiliações e palavras-chave utilizando Python.
2. Análise de Rede: Utilização do VOSviewer para agrupamento baseado em otimização de modularidade e do Pajek para análise de caminho principal (main path analysis).
   • Redes de Colaboração: Analisadas nos níveis de país, instituição e autor utilizando métricas como Publicações Totais (TP), Citações Globais Totais (TGC), Citações Locais Totais (TLC), Grau, Força de Ligação Total (TLS) e Centralidade de Intermediação Ponderada (WBC).
   • Análise de Cocitação: Mapeou os fundamentos intelectuais identificando clusters de referências frequentemente cocitadas para revelar comunidades de conhecimento.
   • Análise de Caminho Principal: Aplicou algoritmos de caminho principal global padrão e de caminho principal local retroativo para rastrear o fluxo cronológico do conhecimento e identificar os caminhos de citação mais influentes.
   • Coocorrência de Palavras-chave: Examinou a evolução dos tópicos de pesquisa através de três períodos distintos (1990–2005, 2006–2015, 2016–2026) para rastrear mudanças de paradigma.

Principais Contribuições
O artigo apresenta três contribuições primordiais para o campo:

1. Framework Metodológico: Estabelece um novo framework que integra análise bibliométrica com interpretação teórica orientada à IA, indo além de estatísticas descritivas para reconstruir a estrutura do conhecimento e vinculá-la explicitamente à evolução dos paradigmas de aprendizado.
2. Insights Estruturais: Fornece percepções profundas sobre o papel dos "hubs de conhecimento" (nós centrais), a formação de clusters de pesquisa e os mecanismos de propagação do conhecimento, revelando que o campo segue uma estrutura hierárquica e de escala livre (scale-free).
3. Mapeamento de Transição de Paradigma: Conceitualiza a evolução da detecção de pedestres não como uma substituição abrupta de métodos, mas como um processo dinâmico envolvendo fases intermediárias de integração de conhecimento e coexistência de paradigmas.

Resultados

• Tendências de Publicação: O campo exibe um crescimento exponencial ($R^2 = 0,701$), com um aumento dramático nas publicações pós-2010, atingindo o pico de mais de 500 artigos anualmente nos anos recentes. Este crescimento correlaciona-se fortemente com a adoção do aprendizado profundo.
• Redes de Colaboração: O cenário de pesquisa é geograficamente desequilibrado. A China domina em volume de publicações (TP = 2.665) e citações, atuando como um hub central. No entanto, países como Reino Unido, França e EUA demonstram maior intensidade de colaboração internacional (razão TLS/TP). A estrutura da rede é fragmentada, com grupos de pesquisa frequentemente concentrados em instituições ou regiões únicas, limitando a troca de conhecimento entre clusters.
• Evolução do Conhecimento (Cocitação e Caminho Principal):
  • Cluster Verde (Fundamental): Representa os métodos clássicos de características manuais (ex: HOG, características de Haar) ancorados por trabalhos como Dalal e Triggs [32] e Dollár et al. [6].
  • Cluster Amarelo (Transicional): Atua como uma ponte, contendo estudos que integram métodos clássicos com aprendizado profundo inicial ou abordam desafios específicos como oclusão (ex: Hwang et al. [26], Benenson et al. [27]).
  • Cluster Vermelho (Moderno): Representa a era do aprendizado profundo, dominada por arquiteturas CNN (R-CNN, YOLO) e, mais recentemente, modelos baseados em Transformers.
  • Caminho Principal: O caminho principal global confirma uma evolução sequencial do design de características manuais para HOG/SVM, seguido por uma transição para detectores baseados em CNN e, finalmente, mecanismos de atenção e Transformers. O caminho local retroativo destaca que os métodos tradicionais continuaram a evoluir paralelamente às tentativas iniciais de aprendizado profundo antes que este último se tornasse dominante.
• Evolução de Palavras-chave: A pesquisa inicial (1990–2005) focou em "visão computacional" e "reconhecimento de objetos". O período 2006–2015 introduziu "aprendizado de máquina" e "ADAS". O período 2016–2026 é caracterizado por "aprendizado profundo", "redes neurais convolucionais", "segurança de pedestres" e integração de "multissensores", indicando uma mudança da pura precisão algorítmica para a segurança e aplicação em nível de sistema.

Significância e Alegações
Os autores alegam que este estudo oferece uma "compreensão de nível de sistema" da evolução do campo de IA, distinguindo-se das revisões tradicionais que focam apenas em comparações técnicas. Teoricamente, o trabalho postula que a evolução da IA é um processo de difusão, acumulação e reestruturação de conhecimento, em vez de avanços tecnológicos isolados. Destaca que as mudanças de paradigma ocorrem através da coexistência e negociação entre o conhecimento antigo e o novo, e não por meio de substituição imediata.

Praticamente, os achados fornecem insights estratégicos para o design de sistemas inteligentes, particularmente para aplicações críticas de segurança, como direção autônoma e Sistemas Avançados de Assistência ao Condutor (ADAS). Ao identificar "âncoras de conhecimento" e fases transicionais, o estudo auxilia na seleção de modelos e arquiteturas apropriadas. Os autores enfatizam uma mudança necessária de perspectiva, de uma mentalidade "centrada no algoritmo" para uma abordagem de "sistemas e sociedade", onde a detecção de pedestres é avaliada dentro do contexto mais amplo de transporte inteligente, segurança e considerações éticas. O estudo conclui que, embora o campo tenha amadurecido tecnicamente, o progresso futuro exige maior colaboração internacional, integração interdisciplinar e foco nos desafios de implantação no mundo real, como robustez em condições adversas e uso ético de dados.