Ziel unseres Studiums ist es, die Modellierungseinschränkungen des häufig verwendeten Klassifikators mit gestuften Entscheidungsbäumen zu untersuchen. Inspiriert von den Erfolgen großer, datenhungriger visueller Erkennungsmodelle (z.B. tiefer konvolutiver Neuronaler Netze) konzentriert sich dieser Artikel auf das Verhältnis zwischen der Modellierungskapazität der schwachen Lerner, der Datensatzgröße und den Eigenschaften des Datensatzes. Eine Reihe neuer Experimente am Caltech-Pedestrian-Detection-Benchmark ergibt die beste bekannte Leistung unter nicht-CNN-Techniken bei gleichzeitiger schneller Laufzeitgeschwindigkeit. Darüber hinaus erreicht die Leistung ein Niveau, das mit tiefen Architekturen vergleichbar ist (9,71 % logarithmische durchschnittliche Fehlerrate), wobei nur HOG+LUV-Kanäle als Merkmale verwendet werden. Die Schlussfolgerungen dieser Studie lassen sich auf verschiedene Objekterkennungsbereiche übertragen, wie anhand des FDDB-Gesichtserkennungsbenchmarks gezeigt wird (93,37 % Genauigkeit). Trotz der beeindruckenden Leistung zeigt diese Studie die begrenzte Modellierungskapazität des üblichen gestuften Bäume-Modells auf und motiviert somit die Notwendigkeit architekturller Änderungen, um mit mehrstufigen und sehr tiefen Architekturen mithalten zu können.