حتى مع ظهور أساليب أكثر تطورًا واعتمادًا على كميات كبيرة من البيانات، تظل شجرات القرار المُعززة (boosted decision trees) ناجحة بشكل استثنائي في كشف الكائنات الصلبة السريعة، حيث تحقق دقة قصوى على العديد من مجموعات البيانات. وعلى الرغم من فعاليتها، فإن معظم كاشفات الشجرة المُعززة تستخدم أشجار قرار ذات تقسيمات متعامدة (أي تقسيم مبني على سمة واحدة فقط)، وقد لا يتطابق التوبولوجيا الناتجة للحدود القرار مع التوبولوجيا الطبيعية للبيانات. ومع ذلك، يمكن أن تكون أشجار القرار ذات التقسيمات المائلة (أي التقسيم باستخدام أكثر من سمة واحدة) فعالة جدًا في حالة البيانات ذات الارتباط العالي. لكن استخدام التقسيمات المائلة يأتي بتكاليف حسابية كبيرة. مستوحى من أعمال حديثة حول التفكيك التمييزي لميزات HOG، نقترح بدلاً من ذلك تحويلًا فعّالًا للسمات يزيل الارتباطات داخل الجيران المحليين. النتيجة هي تمثيل زائد (overcomplete) ولكن مُفكّك محليًا، وهو مثالي للاستخدام مع أشجار القرار المتعامدة. في الواقع، تفوق أشجار القرار المتعامدة التي تستخدم هذه السمات المُفكّكة محليًا على أشجار القرار المائلة التي تم تدريبها على السمات الأصلية، وبتكلفة حسابية تقل عن جزء بسيط من التكلفة. وتكمن التحسينات العامة في الدقة في تقليل عدد الأخطاء الإيجابية الكاذبة (false positives) بنسبة تقارب عشرة أضعاف مقارنة بالحالة السابقة الأفضل على مجموعة بيانات Caltech Pedestrian.