في مواجهة مشكلات الشبكات الالتفافية في كشف التغييرات مثل محدودية مجال الاستقبال، نقص التفاعل بين الميزات عبر المستويات، وصعوبة نمذجة الاعتمادية السياقية بعيدة المدى، يقترح هذا البحث نموذج كشف التغييرات CTDFFNet القائم على دمج ميزات الفروق بالاعتماد على Cross-Transformer. أولاً، يتم استخدام شبكة ResNet18 لبناء تمثيل محلي متعدد المقاييس للميزات، ويُدمج ذلك مع وحدة Cross-Transformer لتعلم تمثيلات ميزات الاختلاف لتحقيق إدراك سياق شامل وتفاعل متعدد المستويات للميزات لتعزيز حساسية النموذج للتغيرات في السيناريوهات المعقدة؛ ثانياً، يستفيد الجزء الخاص بفك التشفير من بنية الاتصال الكثيفة لتحقيق انتشار متعدد المسارات للميزات والاستخدام الكامل للمعلومات، مع كبح مشكلة اختفاء التدرج؛ أخيراً، يتم دمج وحدة تعزيز القناة التكيفية ACEM لضبط أوزان القنوات ديناميكياً لتعزيز تمثيل الميزات الهامة، ويُستخدم طبقة Sigmoid لتوليد خريطة التغيير النهائية. للتحقق من فعالية الطريقة، أُجريت تجارب على ثلاث مجموعات بيانات كشف التغيير: LEVIR-CD، CDD، وWHU-CD. تظهر النتائج الكمية أن نموذج CTDFFNet يحقق أفضل مؤشرات دقة على الثلاث مجموعات، حيث وصلت درجات F1 إلى 91.52%، 95.83%، و93.02% على التوالي. بالإضافة إلى ذلك، تظهر النتائج البصرية أن CTDFFNet قادر على مقاومة عوامل التشويش مثل الخلفيات المعقدة، الظلال، وتغيرات الإضاءة، مما يعزز بشكل كبير من كفاءة الكشف والتعرف على الأهداف بمقاييس مختلفة.

كشف التغيير;التعلم العميق;Cross-Transformer;آلية الانتباه المتقاطع;تعزيز القناة التكيفية