Viele der bisherigen Methoden zur Lokalisierung laminarer- und turbulenter Strömungen sind stark von Expertenkontrolle abhängig, obwohl die Bestimmung der Strömungsverteilung Voraussetzung für die Analyse der Effizienz von Flügel- und Leitwerkskonfigurationen in der Luftfahrt ist. In jüngster Zeit wurden erste Bemühungen unternommen, die Lokalisierung laminar-turbulenter Strömungen automatisiert zu erfassen, diese Ansätze befinden sich jedoch noch in einem frühen Entwicklungsstadium und sind nicht ausreichend robust in geräuschkritischen Umgebungen. Diese Studie untersucht, ob es mit aktuellen Techniken des tiefen Lernens möglich ist, Strömungsregionen zu separieren. Hierzu wird eine Strömungssegmentierarchitektur vorgeschlagen, die aus zwei hintereinander geschalteten Encoder-Decoder-Modulen besteht und als Adaptive Attention Butterfly Network (AABN) bezeichnet wird. Im Gegensatz zu etablierten automatischen Lokalisierungsmethoden in der Literatur, die in der Regel auf homogene und saubere Datensätze angewiesen sind, wird die Leistungsfähigkeit des vorgeschlagenen Ansatzes zur automatischen Strömungssegmentierung anhand einer Mischung verschiedener thermografischer Beobachtungssätze mit unterschiedlichen Rauschpegeln evaluiert. Schließlich wird zur Verbesserung der Robustheit der Architektur eine selbstüberwachte Lernstrategie angewandt, wobei 23.468 nicht annotierte laminar-turbulente Strömungsbeobachtungen genutzt werden.