مقارنةً مع الإطارات متعددة المراحل السابقة التي تستخدم ميزات CNN، فإن النهج العميقة من البداية إلى النهاية الحديثة للاعتراف الدقيق تعزز بشكل أساسي قدرة CNN على التعلم المتوسط. تحقق النهج السابقة هذا من خلال إدخال شبكة مساعدة لإضافة معلومات التحديد إلى الشبكة الرئيسية للتصنيف، أو من خلال استخدام طريقة ترميز ميزات معقدة لالتقاط إحصائيات الميزات من الرتب الأعلى. نوضح أن يمكن تعزيز التعلم التمثيلي المتوسط داخل إطار عمل CNN، عن طريق تعلم بنك من مرشحات التوالف التي تلتقط الأجزاء المميزة الخاصة بالفئة دون الحاجة إلى شروحات إضافية للأجزاء أو الصناديق الحدودية. يتم تنظيم مثل هذا البنك بشكل جيد، وتوفيره بشكل صحيح وتعلمه تمييزياً عبر هندسة متعددة المسارات غير متماثلة جديدة مع إشراف مرشح التوالف وتهيئة طبقة غير عشوائية. تظهر نتائج التجارب أن نهجنا يحقق أحدث ما وصل إليه العلم في ثلاثة قواعد بيانات متاحة للجمهور للاعتراف الدقيق (CUB-200-2011، سيارات ستانفورد و FGVC-Aircraft). يتم توفير دراسات الاستبعاد والتصورات لفهم نهجنا.