微細な認識（fine-grained recognition）の問題領域を、いくつかの特定の領域に分割することを目的とする。この目的を達成するため、エキスパートの混合（mixture of experts）に基づく統一的なフレームワークを構築した。微細な認識問題においてはデータが限られているため、データ分割戦略を用いて多様なエキスパートを学習することは現実的ではない。この課題に対処するため、段階的に強化される学習戦略と、Kullback-Leibler（KL）ダイバージェンスに基づく制約を組み合わせることで、エキスパート間の多様性を促進した。この戦略は、以前のエキスパートから得た事前知識をもとに、新たなエキスパートをデータセット上で学習し、順次モデルに追加するものである。一方で導入された制約は、エキスパートが異なる予測分布を出力することを強制する。これらの機構により、エキスパートは異なる視点からタスクを学習し、それぞれが異なる部分空間問題に特化するようになる。実験の結果、得られたモデルは分類性能を向上させ、複数の微細な認識ベンチマークデータセットにおいて、現在の最先端（state-of-the-art）性能を達成した。