細粒度視覚分類（Fine-Grained Visual Classification, FGVC）は、クラス間の視覚的差異が微細なため、しばしば専門的なアノテータによるデータ収集を必要とする重要なコンピュータビジョンの課題である。本研究では、このような視覚的差異の微細さという特性に着目し、細粒度分類の文脈において最大エントロピー学習（Maximum-Entropy learning）を再検討し、畳み込みニューラルネットワーク（CNN）をFGVCタスクに適用する際、出力確率分布のエントロピーを最大化する学習ルーチンを提案する。本手法は理論的および実証的な裏付けを提供しており、FGVCにおける多様な分類タスクにおいて最先端の性能を達成している。さらに、このアプローチは任意のファインチューニングタスクへ拡張可能な可能性を有している。本手法はハイパーパラメータの値、学習データ量、ラベルノイズの程度に対して堅牢であり、同様の問題解決において有用なツールとなることが期待される。