本稿では、細粒度画像分類（FGIC）に対して計算コストが低くかつ効果的なアプローチを提案する。従来の手法が複雑な部位局在モジュールに依存するのに対し、本手法はグローバル特徴の部分特徴の意味情報を強化することで、細粒度特徴を学習する。具体的には、CNNの特徴チャネルをチャネル順序入れ替えにより異なるグループに分割することで、部分特徴の意味情報を獲得する。同時に、部分特徴の識別能を向上させるために、重み付き組み合わせ正則化を用いて、各グループが物体の識別性の高い部位に活性化されるように誘導する。本手法はパラメータが少ない特徴を持ち、バックボーンモデルにプラグアンドプレイ形式で容易に統合可能であり、画像レベルのラベルのみを用いたエンドツーエンド学習が可能である。実験により、本手法の有効性が検証され、最先端手法と同等の性能を達成することが確認された。コードは https://github.com/cswluo/SEF にて公開されている。