تلعب عملية استخلاص السمات التمييزية دورًا محوريًا في مهام التصنيف البصري الدقيق. يركّز معظم الطرق الحالية على تطوير آليات الانتباه أو التكبير (augmentation) لتحقيق هذا الهدف. ومع ذلك، لم يتم استكشاف مشكلة الغموض في الفئات المتنبأ بها في المرتبة العُليا (top-k) بشكل كافٍ. في هذا البحث، نقدّم تصنيفًا ذاتيًا تقييميًا (Self Assessment Classifier)، والذي يستخدم بشكل متزامن تمثيل الصورة والفئات المتنبأ بها في المرتبة العُليا لإعادة تقييم نتائج التصنيف. يستمدّ هذا الأسلوب إلهامه من التعلم المستمر باستخدام تصنيفين: واحد خشنة (coarse-grained) وآخر دقيقة (fine-grained)، بهدف تعزيز التمييز في السمات داخل البنية الأساسية (backbone) وإنتاج خرائط انتباه (attention maps) للمناطق المفيدة في الصورة. في الممارسة العملية، يعمل هذا الأسلوب كفرع مساعد ويمكن دمجه بسهولة في معماريات مختلفة. ونُظهر أن التعامل الفعّال مع الغموض في الفئات المتنبأ بها في المرتبة العُليا يؤدي إلى تحقيق نتائج جديدة تُعدّ الأفضل في مجالها على مجموعات بيانات CUB200-2011 وStanford Dog وFGVC Aircraft. علاوةً على ذلك، يُحسّن هذا الأسلوب باستمرار دقة مختلف تصنيفات التصنيف الدقيق الحالية، باستخدام إعداد موحد.