في السنوات الأخيرة، حققت طرق كشف التغييرات في المباني تقدماً كبيراً بفضل إدخال التعلم العميق، لكنها لا تزال تعاني من مشكلة عدم كفاية تمييز الخصائص المستخرجة، مما يؤدي إلى مناطق غير كاملة وحدود غير منتظمة. لمعالجة هذه المشكلة، نقترح نموذج شبكة تعاقدية سيامية عميقة مقيدة بمهمتين مزدوجتين (DTCDSCN)، والذي يحتوي على ثلاث شبكات فرعية: شبكة كشف التغييرات وشبكتين للتقسيم الدلالي. يمكن لـ DTCDSCN أن يقوم بكلا المهمتين - كشف التغييرات والتقسيم الدلالي - في وقت واحد، مما يساعد على تعلم خصائص مستوى الكائن الأكثر تمييزاً والحصول على خريطة كشف تغييرات كاملة. بالإضافة إلى ذلك، نقدم وحدة انتباه مزدوجة (DAM) لاستغلال الارتباطات بين القنوات والمواقع الفضائية، مما يحسن تمثيل الخصائص. كما قمنا بتحسين دالة الخسارة البؤرية لتقليل مشكلة عدم توازن العينات. أظهرت النتائج التجريبية التي تم الحصول عليها باستخدام مجموعة بيانات مباني جامعة ووهان (WHU) أن الطريقة المقترحة فعّالة لكشف التغييرات في المباني وأنها تحقق أداءً رائدًا حسب أربع مؤشرات: الدقة والاحتواء ومعدل F1 والتقاطع فوق الاتحاد.