Las redes neuronales convolucionales profundas (CNNs) han demostrado un rendimiento de vanguardia en varias tareas de visión por computadora. Los avances en las arquitecturas de CNN se han centrado principalmente en el diseño de bloques convolucionales de los extractores de características, pero menos en los clasificadores que explotan las características extraídas. En este trabajo, proponemos el Módulo Dividir-y-Compartir (SSM), un clasificador que divide una característica dada en partes, que son parcialmente compartidas por múltiples subclasificadores. Nuestra intuición es que cuanto más se comparten las características, más comunes se volverán, y SSM puede fomentar tales características estructurales en las características divididas. SSM se puede integrar fácilmente en cualquier arquitectura sin adornos. Hemos validado extensamente la eficacia de SSM en la tarea de clasificación de ImageNet-1K, y SSM ha mostrado mejoras consistentes y significativas sobre las arquitecturas base. Además, analizamos el efecto de SSM utilizando la visualización Grad-CAM.