نهدف إلى دراسة حدود النمذجة للتصنيف الشجري المعزز الذي يتم استخدامه بشكل شائع. مستوحى من نجاح النماذج الكبيرة التي تعتمد على كميات كبيرة من البيانات في مجال التعرف البصري (مثل شبكات العصبونات التلافيفية العميقة)، تركز هذه الورقة على العلاقة بين قدرة النمذجة للمتعلمين الضعفاء، وحجم مجموعة البيانات، وخواص مجموعة البيانات. أدت سلسلة من التجارب الجديدة على معيار اكتشاف المشاة في كالتك إلى تحقيق أفضل أداء معروف بين التقنيات غير المستندة إلى CNN مع الحفاظ على سرعة تشغيل عالية. علاوة على ذلك، كان الأداء مكافئًا للأطر العميقية (مع معدل خطأ متوسط لوغاريتمي يبلغ 9.71%) باستخدام قنوات HOG+LUV فقط كميزات. أظهرت الاستنتاجات من هذه الدراسة أنها تنطبق بشكل عام على مجالات مختلفة لاكتشاف الأشياء كما هو موضح في معيار اكتشاف الوجوه FDDB (بدقة تبلغ 93.37%). رغم الأداء المثير للإعجاب، فإن هذه الدراسة تكشف عن قدرة نمذجة محدودة للنموذج الشجري المعزز الشائع، مما يحفز الحاجة إلى تغييرات هندسية لمنافسة الأطر متعددة المستويات والعميقة جدًا.