細粒度視覚カテゴリ化（Fine-Grained Visual Categorization, FGVC）は、コンピュータビジョンにおける困難な課題の一つであり、クラス内での差異が大きく、クラス間の差異が微細な特徴を持つ問題として特徴づけられる。本論文では、この課題に対して弱教師あり（weakly supervised）なアプローチを採用し、ニューラルネットワークモデルに視覚的注意メカニズムを用いたデータ拡張技術を通じて追加データを供給する手法を提案する。また、ベースネットワークモデルに対して微調整（fine-tuning）を用いたドメイン適応型知識移行を実施している。本研究では、FGVC分野で広く用いられる6つの難易度の高いデータセット上で実験を行い、深層学習モデルInceptionV3（大規模データセットで事前学習済み）から得られる特徴量を用い、視覚的注意に基づくデータ拡張技術を導入することで、精度において競争力のある向上を示した。提案手法は複数のFGVCデータセットにおいて既存手法を上回り、他のデータセットでも優れた結果を達成した。実験結果から、大規模データセットからの転移学習と視覚的注意に基づくデータ拡張を組み合わせることで、複数のFGVCデータセットにおいて最先端の性能を達成できることが示された。本研究では、実験結果の包括的な分析を実施し、CUB200-2011鳥類、Flowers-102、FGVC-Aircraftsなど、特に困難な複数の細粒度分類データセットにおいて、最先端の性能を達成することを確認した。