意味的な部位の局在化は、特定の物体部位に関連する微妙な外観の違いを明示的に分離することにより、細かい粒度での分類を促進します。姿勢正規化表現の手法が提案されていますが、物体検出の困難さから、一般的にテスト時にバウンディングボックス注釈を前提としています。本研究では、これらの制約を克服するために、ボトムアップ領域提案上で計算された深層畳み込み特徴量を活用した細かい粒度での分類モデルを提案します。当手法は全体物体と部位検出器を学習し、それら間で学習された幾何学的制約を強制し、姿勢正規化表現から細かい粒度のカテゴリを予測します。Caltech-UCSD鳥データセット上の実験結果は、テスト時にバウンディングボックス注釈を必要とせずにエンドツーエンド評価において最先端の細かい粒度での分類手法よりも優れた性能を示すことを確認しています。