بفضل التطورات في تقنية التعلم العميق، حققت الخوارزميات القائمة على التعلم العميق والتي تعتمد على استخراج الميزات تلقائيًا أداءً ملحوظًا في مهمة كشف التغير (CD). ومع ذلك، يُعاني الأداء في الطرق الحالية القائمة على التعلم العميق للكشف عن التغير من عدم التوازن بين البكسلات المتغيرة والبكسلات غير المتغيرة. ولحل هذه المشكلة، تم اقتراح استراتيجية عينة متدرجة توازنًا للخلفية، مبنية على عدم إضافة معلومات التغير، في هذا المقال، بهدف مساعدة النموذج على تعلّم ميزات البكسلات المتغيرة بدقة خلال مرحلة التدريب المبكرة، وبالتالي تحسين أداء الكشف. علاوةً على ذلك، صممنا شبكة سيماسي تمييزية، تُسمى الشبكة الهرمية للانتباه (HANet)، التي تستطيع دمج الميزات متعددة المقياس وتحسين الميزات التفصيلية. ويتمثل الجزء الرئيسي في HANet في وحدة HAN، وهي آلية انتباه ذاتية خفيفة الوزن وفعّالة. وقد أثبتت التجارب الواسعة والدراسات التحليلية على مجموعتي بيانات كشف التغير اللتين تتميزان بتمايز شديد في التسميات صحة الفعالية والكفاءة للطريقة المقترحة.