在细粒度领域中识别物体极具挑战性，原因在于不同子类别之间的差异极为细微。判别性特征通常具有高度局部化特性，这使得传统物体识别方法难以应对此类领域中常见的大姿态变化问题。姿态归一化（Pose-normalization）通过逐部分或整体对物体进行对齐，有效消除了姿态与视角差异的影响。以往的方法依赖计算开销较大的滤波器集合来定位部件，并需要大量监督信息。本文提出两种基于计算高效可变形部件模型（DPM）的姿态归一化描述子：第一种利用强监督DPM部件中固有的语义信息；第二种则通过弱语义标注学习跨组件对应关系，从弱监督DPM的隐含部件中计算姿态归一化描述子。这些表示方法能够实现跨姿态与视角的特征聚合，从而显著提升细粒度识别与属性预测等任务的性能。在Caltech-UCSD鸟类200数据集和Berkeley人体属性数据集上的实验表明，该方法相较于现有最先进算法取得了显著提升。