Feinabgestufte visuelle Kategorisierung ist eine Klassifikationsaufgabe zur Unterscheidung von Kategorien mit hoher intra-klassischer und geringer inter-klassischer Variabilität. Während globale Ansätze darauf abzielen, das gesamte Bild zur Durchführung der Klassifikation zu nutzen, sammeln part-basierte Lösungen zusätzliche lokale Informationen in Form von Aufmerksamkeitsmuster oder Teilen. Wir schlagen eine neuartige, klassifikationsbezogene Schätzung von Bildteilen vor, die sowohl auf einer anfänglichen Vorhersage als auch auf der Rückpropagation der Merkmalswichtigkeit mittels Gradientenberechnungen basiert, um relevante Bildregionen zu schätzen. Die anschließend detektierten Teile werden nicht nur anhand a-posteriori-Klassifikationswissens ausgewählt, sondern verfügen zudem über eine inhärente räumliche Ausdehnung, die automatisch bestimmt wird. Dies unterscheidet sich von den meisten part-basierten Ansätzen sowie sogar von verfügbaren Ground-Truth-Teilannotierungen, die lediglich Punkt-Koordinaten liefern und keine zusätzlichen Skalainformationen enthalten. In unseren Experimenten an verschiedenen weit verbreiteten fine-grained-Datensätzen zeigen wir die Wirksamkeit der vorgestellten Teil-Auswahlmethode im Zusammenhang mit den extrahierten Teilmerkmalen.