تشتمل مجموعات البيانات الخاصة بالتصنيف البصري الدقيق (FGVC) على أحجام عينات صغيرة، بالإضافة إلى التباين البيني داخل الفئات والتشابه بين الفئات. بينما تناولت الدراسات السابقة التباين داخل الفئات باستخدام تقنيات التحديد والتقطيع، قد يؤثر التشابه بين الفئات أيضًا على تعلم الخصائص ويقلل من أداء التصنيف. في هذا البحث، نعالج هذه المشكلة باستخدام إجراء الأمثلة الجديد لتدريب الشبكات العصبية من النهاية إلى النهاية على مهام FGVC. يُعرف إجراؤنا باسم الالتباس الثنائي (PC)، حيث يقلل من الإفراط في التكيف عن طريق إدخال الالتباس بعمد في التنشيطات. باستخدام تنظيم PC، نحصل على أفضل الأداء الحالي في ستة من أكثر مجموعات البيانات المستخدمة بشكل واسع في FGVC ونظهر قدرة تحديد أفضل. يتميز الالتباس الثنائي (PC) بسهولة التنفيذ، ولا يحتاج إلى ضبط مفرط للمعلمات الزائدة أثناء التدريب، كما أنه لا يضيف عبءً كبيرًا أثناء الاختبار.