Das Sammeln feingranularer Etiketten erfordert in der Regel Expertenwissen im jeweiligen Fachgebiet und ist aufwendig bei der Skalierung. In dieser Arbeit schlagen wir „Attribute Mix“ vor, eine Datenverstärkungsstrategie auf Attributebene, um die Anzahl der feingranularen Stichproben zu erhöhen. Das Prinzip basiert darauf, dass Attributmerkmale innerhalb von feingranularen Unter-Kategorien geteilt werden und nahtlos zwischen Bildern übertragen werden können. Um dieses Ziel zu erreichen, entwickeln wir einen automatischen Ansatz zur Attributminierung, um Attribute zu identifizieren, die derselben Oberkategorie zugehören. „Attribute Mix“ wird durch das Mischen semantisch bedeutsamer Attributmerkmale aus zwei Bildern durchgeführt. „Attribute Mix“ ist eine einfache, aber effektive Datenverstärkungsstrategie, die die Erkennungsleistung erheblich verbessern kann, ohne die Inferenzbudgets zu erhöhen. Darüber hinaus können Attribute innerhalb von Bildern derselben Oberkategorie geteilt werden. Wir bereichern daher die Trainingsstichproben mit Attributebenen-Etiketten unter Verwendung von Bildern aus dem generischen Bereich. Experimente an weit verbreiteten feingranularen Benchmarks zeigen die Effektivität unserer vorgeschlagenen Methode.