تشخیص تغییر در تصاویر سنجش از دور با وضوح بالا برای درک تغییرات سطح زمین بسیار مهم است. از آنجایی که روش‌های سنتی تشخیص تغییر با توجه به چالش‌های ناشی از جزئیات تصویر خوب و ویژگی‌های بافت پیچیده ارائه شده در تصاویر با وضوح بالا برای کار مناسب نیستند، تعدادی از روش‌های تشخیص تغییر مبتنی بر یادگیری عمیق برای بهبود عملکرد تشخیص تغییر پیشنهاد شده‌اند.
اگرچه روش های مبتنی بر ویژگی عمیق از همه روش های تشخیص تغییر مبتنی بر یادگیری عمیق بهتر عمل می کنند، شبکه ها در روش های مبتنی بر ویژگی عمیق موجود عمدتاً از معماری هایی که در اصل برای تقسیم بندی معنایی تک تصویری پیشنهاد شده بودند، اصلاح شده اند. انتقال این شبکه‌ها برای تشخیص تغییرات هنوز برخی از مسائل کلیدی را ایجاد می‌کند. در این مقاله، ما یک شبکه ادغام تصویر با نظارت عمیق (IFN) برای تشخیص تغییر در تصاویر سنجش از دور دو زمانی با وضوح بالا پیشنهاد می‌کنیم

به طور خاص، بازنمایی ویژگی‌های عمیق تصاویر دو زمانی ابتدا از طریق یک معماری دو جریانی کاملاً کانولوشن استخراج می‌شوند. سپس، ویژگی‌های عمیق استخراج‌شده برای تشخیص تغییر به یک شبکه تشخیص تفاوت با نظارت عمیق (DDN) وارد می‌شوند.

برای بهبود مرز و فشردگی داخلی اشیاء در نقشه‌های تغییر خروجی، ویژگی‌های عمیق چند سطحی تصاویر خام با ویژگی‌های تفاوت تصویر با استفاده از ماژول‌های توجه برای بازسازی نقشه تغییر ترکیب می‌شوند. DDN با وارد کردن مستقیم نقشه ضرر تغییر به لایه‌های میانی در شبکه بیشتر تقویت می‌شود و کل شبکه به روشی انتها به انتها آموزش داده می‌شود. IFN برای یک مجموعه داده در دسترس عموم و همچنین یک مجموعه داده چالش برانگیز متشکل از تصاویر چندمنبعی دو زمانی از Google Earth که شهرهای مختلف چین را پوشش می دهد، اعمال می شود. هم تفسیر بصری و هم ارزیابی کمی تأیید می‌کنند که IFN با بازگرداندن مناطق تغییر یافته با مرزهای کامل و فشردگی داخلی بالا در مقایسه با روش‌های پیشرفته، از چهار روش معیار مشتق‌شده از تحقیقات گذشته بهتر عمل می‌کند.