La categorización de alta precisión es un campo esencial en la clasificación, un subcampo del reconocimiento de objetos que tiene como objetivo diferenciar clases subordinadas. La clasificación de imágenes de alta precisión se centra en distinguir entre tipos o especies similares y difíciles de diferenciar, como flores, aves o animales específicos como perros o gatos, e identificar marcas o modelos de aviones. Un paso importante hacia la clasificación de alta precisión es la adquisición de conjuntos de datos y líneas base; por lo tanto, proponemos un sistema integral y dos conjuntos de datos novedosos, que incluyen peces de arrecife y mariposas, para la clasificación de alta precisión. Las mariposas y los peces pueden ser fotografiados en varias ubicaciones en el plano de la imagen; por lo tanto, las variaciones de la imagen debido a la traslación, rotación y deformación en múltiples direcciones pueden inducir variaciones, y dependiendo de la posición del dispositivo de adquisición de imágenes, las escalas pueden ser diferentes. Evaluamos los algoritmos tradicionales basados en características de imagen locales cuantizadas de rotación y escala invariante, y las redes neuronales convolucionales (CNN) utilizando sus modelos pre-entrenados para extraer características. La evaluación exhaustiva muestra que las características de CNN calculadas utilizando los modelos pre-entrenados superan al resto de las representaciones de imagen. El sistema propuesto puede resultar fundamental para varios propósitos, como la educación, la conservación y la investigación científica. Los códigos, modelos y conjuntos de datos están disponibles públicamente.