تلعب عملية استخلاص تمثيلات الميزات من مناطق محلية تمييزية دورًا محوريًا في التصنيف البصري الدقيق. أصبح استخدام آليات الانتباه لاستخراج ميزات الأجزاء اتجاهًا شائعًا. ومع ذلك، توجد قيود رئيسية في هذه الأساليب: أولاً، غالبًا ما تركز على الجزء الأكثر بروزًا مع تجاهل الأجزاء الأخرى غير البارزة ولكنها تميزية. ثانيًا، تتعامل مع ميزات الأجزاء المختلفة بشكل منفصل، مما يتجاهل علاقاتها المتبادلة. لمعالجة هذه القيود، نقترح تحديد عدة أجزاء تمييزية مختلفة واستكشاف علاقاتها بطريقة صريحة. في هذا السياق، نقدم وحدتين خفيفتي الوزن يمكن دمجهما بسهولة في الشبكات العصبية التلافيفية الحالية. من ناحية، نُدخل وحدة تعزيز وقمع الميزات التي تعزز الجزء الأكثر بروزًا في خرائط الميزات للحصول على تمثيل خاص بالجزء، وتقمعه لدفع الشبكة التالية إلى استخراج أجزاء محتملة أخرى. ومن ناحية أخرى، نُقدم وحدة تنويع الميزات التي تتعلم معلومات مكملة دلالياً من التمثيلات الخاصة بالأجزاء المرتبطة ببعضها. لا تتطلب طريقة العمل علامة مربعات حدودية أو معلومات عن الأجزاء، ويمكن تدريبها بشكل كامل من النهاية إلى النهاية. أظهرت النتائج التجريبية الواسعة أداءً متميزًا مقارنة بأفضل النماذج الحالية على عدة مجموعات بيانات معيارية للتصنيف البصري الدقيق. يمكن الوصول إلى الكود المصدري من خلال: https://github.com/chaomaer/FBSD.