Derzeit wurde im Bereich der Fernerkundung erhebliche Forschung mit Hilfe von Deep-Learning-Techniken durchgeführt. Die Einführung des Marine Debris Archive (MARIDA), eines Open-Source-Datensatzes mit Benchmark-Ergebnissen, für die Erkennung von Meeresabfällen, hat neue Wege für den Einsatz von Deep-Learning-Techniken bei der Detektion und Segmentierung von Abfällen eröffnet. In dieser Arbeit wird eine neuartige auf Aufmerksamkeit basierende Segmentierungsmethode vorgestellt, die die bisherigen Stand der Technik erzielten Ergebnisse, die mit MARIDA eingeführt wurden, übertroffen hat. Der Beitrag präsentiert eine innovative architektonische Lösung aus Encoder und Decoder, die räumliche Aufmerksamkeit berücksichtigt, um die kontextuelle Information und Struktur seltener Ground-Truth-Patches in den Bildern zu bewahren. Die erzielten Ergebnisse sollen den Weg für zukünftige Forschungsarbeiten eröffnen, die Deep-Learning-Methoden mit Fernerkundungsbildern verbinden. Der Quellcode ist unter https://github.com/sheikhazhanmohammed/SADMA.git verfügbar.