Obwohl CNNs erhebliche Fortschritte bei der Schattendetektion erzielt haben, neigen sie dazu, Fehler in dunklen Nicht-Schattenbereichen und relativ hellen Schattenbereichen zu machen. Zudem sind sie empfindlich gegenüber Helligkeitsänderungen. Diese beiden Phänomene zeigen, dass tiefe Schattendetektoren stark auf den Intensitätsreiz angewiesen sind, auf den wir als Intensitätsbias beziehen. In diesem Artikel stellen wir ein neuartiges Verfahren zur Merkmalsdekomposition und -neugewichtung vor, um diesen Intensitätsbias zu verringern. Dabei werden mehrstufig integrierte Merkmale durch Selbstüberwachung in intensitätsveränderliche und intensitätsinvariante Komponenten zerlegt. Durch die Neugewichtung dieser beiden Merkmalsarten kann unsere Methode die Aufmerksamkeit auf die entsprechenden latenten Semantiken umverteilen und eine ausgewogene Nutzung beider Merkmalsarten erreichen. Umfassende Experimente auf drei gängigen Datensätzen zeigen, dass die vorgeschlagene Methode state-of-the-art-Schattendetektoren übertrifft.