Feinabgestufte visuelle Klassifikation (Fine-Grained Visual Classification, FGVC) ist ein bedeutendes Problem im Bereich des maschinellen Sehens, das sich durch geringe visuelle Diversität innerhalb der verschiedenen Klassen auszeichnet und häufig die Mitwirkung von Experten zur Datensammlung erfordert. Ausgehend von der Eigenschaft geringer visueller Diversität überprüfen wir im Kontext der feinabgestuften Klassifikation den Ansatz der Maximum-Entropy-Lernmethode und stellen einen Trainingsroutine vor, die die Entropie der Ausgabewahrscheinlichkeitsverteilung bei der Trainings von Faltungsneuralen Netzen für FGVC-Aufgaben maximiert. Wir liefern sowohl theoretische als auch empirische Begründungen für unseren Ansatz und erreichen state-of-the-art-Leistungen bei einer Vielzahl von Klassifikationsaufgaben im Bereich FGVC, wobei die Methode potenziell auf beliebige Feinabstimmungsaufgaben übertragen werden kann. Unser Verfahren ist robust gegenüber unterschiedlichen Hyperparametern, unterschiedlichen Mengen an Trainingsdaten sowie unterschiedlichen Anteilen an fehlerhaften Trainingslabels und kann daher ein wertvolles Werkzeug für zahlreiche ähnliche Probleme darstellen.