本稿では、雑多でより現実的な状況下におけるオブジェクトに対して、ゼロショット学習の組成性を拡張するLOCL（Learning Object Attribute Composition using Localization）を提案する。従来の研究では、未観測のオブジェクト属性（Object Attribute, OA）の組成問題は十分に検討されてきたが、現実の複雑なシーンでは既存手法の性能は限定的である。本研究において、我々の主な貢献は、弱教師あり環境下で注目対象のオブジェクトおよび属性を効果的に局所化するモジュール型アプローチを提案し、未観測の構成に堅牢に一般化できることである。局所化と組成分類器を組み合わせることで、現在利用可能な困難なデータセットにおいて、従来の最先端（SOTA）手法を約12%の向上率で上回る性能を達成した。さらに、モジュール性の利点により、既存のOA組成学習手法に局所化特徴抽出器を統合することで、全体的な性能向上が可能となる。