Diese Arbeit beschreibt LOCL (Learning Object Attribute Composition using Localization), das die kompositionelle Zero-Shot-Lernmethode auf Objekte in stark gestörten und realistischeren Szenen verallgemeinert. Das Problem unerwarteter Objekt-Attribut-(OA-)Zusammenstellungen ist in der Forschung bereits gut untersucht, doch die Leistung bestehender Ansätze bleibt in anspruchsvollen Szenen begrenzt. In diesem Kontext liegt der zentrale Beitrag dieser Arbeit in einem modularen Ansatz zur Lokalisierung von Objekten und Attributen von Interesse im Rahmen einer schwach überwachten Lernumgebung, der robust auf bisher nicht gesehene Konfigurationen verallgemeinert. Die Kombination der Lokalisierung mit einem Kompositions-Klassifikator übertrifft die State-of-the-Art-(SOTA-)Methoden deutlich, wobei eine Verbesserung von etwa 12 % auf aktuellen anspruchsvollen Datensätzen erzielt wird. Zudem ermöglicht die Modulargestaltung die Integration des lokalisierten Merkmalsextrahierers mit bestehenden OA-kompositionellen Lernmethoden, um deren Gesamtleistung zu steigern.