Trotz des Aufkommens fortschrittlicher, datenintensiver Methoden bleiben verstärkte Entscheidungsbäume äußerst erfolgreich bei der schnellen Erkennung starrer Objekte und erreichen auf zahlreichen Datensätzen Spitzenleistungen. Obwohl effektiv, verwenden die meisten verstärkten Detektoren Entscheidungsbäume mit orthogonalen (einzelmerkmalbasierten) Teilungen, deren Topologie der Entscheidungsgrenze möglicherweise nicht gut mit der natürlichen Topologie der Daten übereinstimmt. Bei stark korrelierten Daten können jedoch Entscheidungsbäume mit schrägen (mehrfachmerkmalbasierten) Teilungen wirksam sein. Die Verwendung solcher schrägen Teilungen ist jedoch mit erheblichem Rechenaufwand verbunden. Inspiriert durch kürzlich veröffentlichte Arbeiten zur diskriminativen Dekorrelation von HOG-Features schlagen wir stattdessen eine effiziente Merkmalstransformierung vor, die Korrelationen in lokalen Nachbarschaften entfernt. Das Ergebnis ist eine überbestimmte, jedoch lokal dekorrelierte Darstellung, die ideal für die Verwendung mit orthogonalen Entscheidungsbäumen geeignet ist. Tatsächlich übertrifft ein orthogonaler Baum, der unsere lokal dekorrelierten Merkmale nutzt, die Leistung eines schrägen Baums, der auf den ursprünglichen Merkmalen trainiert wurde, bei einem Bruchteil des Rechenaufwands. Die insgesamt erzielte Genauigkeitssteigerung ist dramatisch: Auf dem Caltech Pedestrian Dataset reduzieren wir die Anzahl falscher Positivmeldungen nahezu um den Faktor zehn gegenüber dem vorherigen Stand der Technik.