L’extraction de caractéristiques discriminantes joue un rôle crucial dans la classification visuelle fine. La plupart des méthodes existantes se concentrent sur le développement de mécanismes d’attention ou d’augmentation afin d’atteindre cet objectif. Toutefois, la problématique de l’ambiguïté dans les k meilleures classes prédites n’a pas été pleinement explorée. Dans cet article, nous introduisons un classificateur auto-évalué, qui exploite simultanément la représentation de l’image et les k classes prédites les plus probables pour réévaluer les résultats de classification. Notre approche s’inspire de l’apprentissage continu basé sur des classificateurs grossiers et fins afin d’améliorer la discrimination des caractéristiques dans le modèle principal et de produire des cartes d’attention mettant en évidence les régions informatives de l’image. En pratique, notre méthode fonctionne comme une branche auxiliaire et peut être facilement intégrée à différentes architectures. Nous démontrons qu’en traitant efficacement l’ambiguïté des k meilleures classes prédites, notre méthode atteint de nouveaux résultats d’état de l’art sur les jeux de données CUB200-2011, Stanford Dogs et FGVC Aircraft. En outre, notre méthode améliore de manière cohérente la précision de divers classificateurs fins existants, dans un cadre unifié.