语义部件定位可以通过显式分离特定物体部件相关的细微外观差异来促进细粒度分类。尽管已经提出了姿态归一化表示的方法，但通常由于物体检测的难度而在测试时假定需要边界框注释。我们提出了一种细粒度分类模型，该模型通过利用自下而上的区域提议计算的深度卷积特征克服了这些限制。我们的方法学习整体物体和部件检测器，强制执行它们之间学到的几何约束，并从姿态归一化的表示中预测细粒度类别。在Caltech-UCSD鸟类数据集上的实验结果表明，我们的方法在端到端评估中无需测试时提供边界框的情况下，优于现有的最先进细粒度分类方法。