كشف التغيرات، وهو تطبيق أساسي للصور المستشعرة عن بعد عالية الدقة، يهدف إلى مراقبة وتحليل التغيرات التي تحدث في سطح الأرض عبر الزمن. وبسبب الزيادة السريعة في كمية البيانات المستشعرة عن بعد عالية الدقة، بالإضافة إلى تعقيد خصائص النسيج، تم اقتراح عدة طرق تعتمد على التعلم العميق الكمي. وقد تفوقت هذه الطرق على أساليب كشف التغيرات التقليدية من خلال استخلاص الميزات العميقة ودمج المعلومات المكانية-الزمنية. ومع ذلك، لا تزال هناك نقص في التفسيرات المنطقية لكيفية تحسين الميزات العميقة لأداء الكشف. في دراساتنا، لاحظنا أن طبقات الشبكة الهوبفيلد الحديثة تُعزز بشكل كبير من الفهم الدلالي. في هذا البحث، نقترح شبكة ذات تفتيش عميق واسترجاع ميزات (Dsfer-Net) للكشف عن التغيرات الثنائية الزمنية. وبشكل محدد، يتم استخلاص الميزات العميقة الممثلة بشكل كبير للصور الثنائية الزمنية من خلال شبكة سايمنسية كاملة الت convolution. وباستنادًا إلى المعلومات الجغرافية التسلسلية للصور الثنائية الزمنية، قمنا بتصميم وحدة استرجاع ميزات لاستخراج الميزات المختلفة واستغلال المعلومات التمييزية بطريقة مراقبة عميقة. علاوةً على ذلك، لاحظنا أن وحدة استرجاع الميزات المراقبة عميقة تقدم أدلة قابلة للتفسير حول الفهم الدلالي للشبكة المقترحة في طبقاتها العميقة. وأخيرًا، تُشكّل الشبكة النهائية ذات التدفق الكامل إطارًا جديدًا من خلال تجميع الميزات المسترجعة وأزواج الميزات من طبقات مختلفة. وقد أكدت التجارب التي أُجريت على ثلاث مجموعات بيانات عامة (LEVIR-CD، WHU-CD، وCDD) تفوق الشبكة المقترحة Dsfer-Net مقارنةً بأساليب الحالة الحالية الأخرى.