اكتشاف التغيير (CD) يهدف إلى العثور على الفروق بين صورتين في أوقات مختلفة وإنتاج خريطة تغيير تمثل ما إذا كانت المنطقة قد تغيرت أم لا. لتحقيق نتيجة أفضل في إنشاء خريطة التغيير، تصمم العديد من الطرق الرائدة نموذجًا للتعلم العميق يتمتع بقدرة تمييزية قوية. ومع ذلك، لا تزال هذه الطرق تحصل على أداء أقل بسبب تجاهلها للمعلومات المكانية والتغييرات في الحجم بين الأشياء، مما يؤدي إلى حدود ضبابية أو خاطئة. بالإضافة إلى ذلك، فإنها تتجاهل أيضًا المعلومات التفاعلية بين الصورتين المختلفتين. لحل هذه المشاكل، نقترح شبكتنا، وهي الشبكة السيامية الواعية بالحجم والعلاقة (SARAS-Net). في هذا البحث، تم اقتراح ثلاثة وحدات تتضمن الوحدة الواعية بالعلاقة والوحدة الواعية بالحجم والوحدة المتحولة المتقاطعة لمعالجة مشكلة اكتشاف تغيير المشهد بشكل أكثر فعالية. لتحقق من نموذجنا، قمنا باختبار ثلاث مجموعات بيانات عامة هي LEVIR-CD وWHU-CD وDSFIN، وحصلنا على دقة رائدة (SoTA). رمز البرمجة الخاص بنا متاح على الرابط: https://github.com/f64051041/SARAS-Net.