المفتاح لحل تصنيف الصور ذات الحُدود الدقيقة يكمن في تحديد مناطق محلية تمييزية تتوافق مع السمات البصرية الدقيقة. وقد تم تحقيق تقدم كبير في هذا المجال، مع تصميم شبكات معقدة خصيصًا لتعلم تمثيلات مميزة على مستوى الأجزاء. في هذه الورقة، نُظهر أنه من الممكن تطوير التفاصيل الدقيقة دون الحاجة إلى تصميمات شبكات معقدة جدًا أو آليات تدريب معقدة — فكل ما يحتاجه الأمر هو دالة خسارة واحدة. تكمن الحيلة الرئيسية في كيفية استكشافنا للقنوات المميزة للسمات مبكرًا، بخلاف الممارسة التقليدية التي تبدأ من خريطة سمات مجمعة. تُسمى الدالة المُقترحة لخسارة القنوات المتبادلة (MC-Loss)، وهي تتكون من مكونين خاصين بالقناة: مكون تمييزية ومكون تنوع. يجبر المكون التمييزي جميع القنوات المميزة التي تنتمي إلى نفس الفئة على أن تكون مميزة، من خلال آلية انتباه جديدة تُطبَّق على مستوى القناة. أما المكون الثاني، فيفرض قيودًا إضافية على القنوات بحيث تصبح متبادلة الاستبعاد على مستوى المساحة. وبذلك، ينتج عن ذلك مجموعة من قنوات السمات، حيث تعكس كل قناة مناطق محلية مميزة مختلفة لفئة معينة. يمكن تدريب MC-Loss بشكل متكامل (end-to-end) دون الحاجة إلى أي تسميات مربعة أو تسميات أجزاء، وتوفر مناطق مميزة للغاية أثناء التنبؤ. أظهرت النتائج التجريبية أن MC-Loss، عند تنفيذها فوق شبكات أساسية شائعة، تحقق أداءً يُعد الأفضل في جميع مجموعات البيانات الأربعة لتصنيف الصور الدقيقة (CUB-Birds، FGVC-Aircraft، Flowers-102، وStanford-Cars). كما أظهرت الدراسات التحليلية مزيدًا من التفوق في أداء MC-Loss مقارنةً بدوال الخسارة العامة الأخرى المُقترحة حديثًا لتصنيف الصور، على شبكتين أساسيتين مختلفتين. الكود متاح عبر: https://github.com/dongliangchang/Mutual-Channel-Loss