Die Schatten-Detektion ist eine grundlegende und herausfordernde Aufgabe, da sie ein Verständnis der globalen Bildsemantik erfordert und diverse Hintergründe um Schatten herum vorliegen können. In diesem Artikel stellen wir ein neuartiges Netzwerk für die Schatten-Detektion vor, das den Bildkontext in einer richtungsbehafteten Weise analysiert. Dazu formulieren wir zunächst eine richtungsbehaftete Aufmerksamkeitsmechanik innerhalb eines räumlichen rekurrenten neuronalen Netzwerks (RNN), indem wir Aufmerksamkeitsgewichte einführen, um räumliche Kontextmerkmale im RNN zu aggregieren. Durch das Training dieser Gewichte können wir richtungsbehaftete räumliche Kontextinformationen (DSC) rekonstruieren, die zur Schattendetektion genutzt werden. Diese Architektur wird in das DSC-Modul integriert und in ein CNN eingebettet, um DSC-Merkmale auf verschiedenen Ebenen zu lernen. Darüber hinaus wurde eine gewichtete Kreuzentropie-Verlustfunktion entworfen, um den Trainingsprozess effizienter zu gestalten. Wir nutzen zwei gängige Benchmark-Datensätze für die Schatten-Detektion und führen umfangreiche Experimente durch, um unser Netzwerk zu evaluieren. Die experimentellen Ergebnisse zeigen, dass unser Netzwerk die derzeit besten Methoden übertrifft und eine Genauigkeit von 97 % sowie eine Reduktion des Balance-Error-Rates um 38 % erreicht.