Dieses Papier behandelt das Problem, eine feinere Darstellung als die durch die Trainingslabels bereitgestellte zu erlernen. Dies ermöglicht die feingranulare Kategorienrückgewinnung von Bildern in einer Sammlung, die nur mit groben Labels annotiert ist.Unser Netzwerk wird mit einem Klassifikatorziel für den nächsten Nachbarn und einem durch selbstüberwachtes Lernen inspirierten Instanzverlust gelernt. Durch die gemeinsame Nutzung der groben Labels und des zugrunde liegenden feingranularen Latenten Raums verbessert es die Genauigkeit von kategoriellen Rückgewinnungsverfahren erheblich.Unsere Strategie übertrifft alle konkurrierenden Methoden bei der Rückgewinnung oder Klassifizierung von Bildern auf einer feineren Granularität als während des Trainings verfügbar. Sie verbessert auch die Genauigkeit für Transfer-Learning-Aufgaben zu feingranularen Datensätzen, wodurch sie den neuen Stand der Technik auf fünf öffentlichen Benchmarks etabliert, wie beispielsweise iNaturalist-2018.