التصنيف البصري الدقيق (FGVC) يعتبر تحديًا جزئيًا بسبب صعوبة الحصول على عدد كافٍ من عينات التدريب. لاستخدام النماذج الكبيرة في FGVC دون التعرض للتشوه الزائد، تتبّع الأساليب الحالية استراتيجية تدريب مسبق للنماذج باستخدام مجموعة غنية من البيانات المساعدة، ثم ضبطها نهائياً على المهمة المستهدفة في FGVC. ومع ذلك، فإن هدف التدريب المسبق لا يأخذ المهمة المستهدفة بعين الاعتبار، مما يجعل النماذج المحصلة غير مثلى للضبط النهائي. لحل هذه المشكلة، نقترح في هذا البحث نموذجًا عميقًا جديدًا للتصنيف البصري الدقيق يُسمى MetaFGNet. يتم تدريب MetaFGNet بناءً على هدف تعلم متعدد جديد ومُنتظم، يهدف إلى توجيه تعلم معلمات الشبكة بحيث تكون مثلى للتكيّف مع المهمة المستهدفة في FGVC. استنادًا إلى MetaFGNet، نقترح أيضًا مخططًا بسيطًا ولكن فعالاً لاختيار عينات أكثر فائدة من البيانات المساعدة. أظهرت التجارب على مجموعات بيانات FGVC المرجعية فعالية الطريقة المقترحة لدينا.