細分類領域における物体の認識は、サブカテゴリ間の微細な差異が原因で極めて困難である。特徴的なマークはしばしば非常に局所的に分布しており、これにより従来の物体認識手法は、こうした領域に頻繁に見られる大きな姿勢変化に対応しづらい。姿勢正規化（pose-normalization）は、物体の各部位ごと（部分的に）または全体に対してグローバルに訓練用サンプルを整列させることで、姿勢や視点の違いを効果的に分離する。これまでの手法は、部位の局所化に計算コストの高いフィルタ集合を用い、また大量の教師情報が必要であった。本論文では、計算効率の高い変形可能部位モデル（deformable part models, DPM）に基づく2種類の姿勢正規化記述子を提案する。1つ目は、強教師付きDPMの部位に内在する意味情報を活用するものである。2つ目は、弱教師付きDPMの潜在部位から、弱い意味的アノテーションを用いて部品間の対応関係を学習し、姿勢正規化記述子を生成するものである。これらの表現により、姿勢や視点にわたるプーリングが可能となり、細分類認識や属性予測といったタスクの実現を促進する。Caltech-UCSD Birds 200データセットおよびBerkeley Human Attributeデータセットを用いた実験により、既存の最先端手法に対して顕著な性能向上が確認された。