要約
我々は一般的に使用されているブーステッド決定木分類器のモデリング制限を研究することを目指しています。大規模でデータを必要とする視覚認識モデル（例：深層畳み込みニューラルネットワーク）の成功に触発され、本論文では弱学習器のモデリング容量、データセットのサイズ、およびデータセットの特性との関係に焦点を当てています。Caltech歩行者検出ベンチマークにおいて一連の新しい実験を行い、非CNN技術の中で最良の性能を達成するとともに高速な実行時間速度を維持しました。さらに、HOG+LUVチャネルのみを使用した特徴量で、深層アーキテクチャ（9.71% の対数平均ミス率）と同等の性能を達成しました。この研究から得られた結論は、FDDB顔検出ベンチマーク（93.37% の精度）での結果により異なる物体検出領域にも一般化することが示されています。印象的な性能にもかかわらず、本研究は一般的なブーステッドツリーモデルの有限なモデリング容量を明らかにし、多段階かつ非常に深いアーキテクチャと競争するために構造変更が必要であることを示唆しています。