Wir stellen ein neuartiges tiefes Lernmodell namens ACLNet für die Segmentierung von Wolken aus Bodenbildern vor. ACLNet nutzt sowohl tiefe neuronale Netze als auch maschinelles Lernen (ML) zur Extraktion komplementärer Merkmale. Insbesondere verwendet es EfficientNet-B0 als Hauptarchitektur, „a trous spatial pyramid pooling“ (ASPP) zur Erfassung von Merkmalen auf mehreren Empfindlichkeitsfeldern sowie einen „global attention module“ (GAM), um fein strukturierte Details aus dem Bild zu extrahieren. Zudem wendet ACLNet die k-Means-Clustering-Methode an, um Wolkenränder präziser zu bestimmen. Das Modell zeigt eine hohe Effektivität sowohl bei Tages- als auch bei Nachtbildern. Im Vergleich zu aktuellen state-of-the-art-Modellen für die Wolkensegmentierung erreicht ACLNet eine geringere Fehlerrate, eine höhere Recall-Rate und eine höhere F1-Score. Der Quellcode von ACLNet ist hier verfügbar: https://github.com/ckmvigil/ACLNet.