إن التقدم السريع في خوارزميات الذكاء الاصطناعي الآلي وأجهزة الاستشعار عن بعد قد ساهم بشكل كبير في تحسين مهام الكشف عن التغيرات (CD). ومع ذلك، لا يزال هناك مجال واسع للبحث في مجال الكشف الدقيق، خاصةً فيما يتعلق بسلامة الحواف والظاهرة الداخلية للثغرات في ميزات التغير. ولحل هذه المشكلات، قمنا بتصميم شبكة توجيه التغيرات (CGNet)، بهدف معالجة مشكلة التعبير غير الكافي لميزات التغير في هيكل U-Net التقليدي المستخدم في الطرق السابقة، والتي تؤدي إلى كشف غير دقيق للحواف وظهور ثغرات داخلية. تم إنشاء خرائط التغير من الميزات العميقة الغنية بالمعلومات الدلالية، واستُخدمت كمعلومات سابقة لتوجيه دمج الميزات متعددة المقياس، مما يعزز قدرة التعبير عن ميزات التغير. وفي الوقت نفسه، اقترحنا وحدة انتباه ذاتية تُسمى وحدة التوجيه بالتغيير (CGM)، التي يمكنها التقاط الاعتماد على المسافات الطويلة بين البكسلات بكفاءة، وتجاوز مشكلة حقل الاستقبال المحدود في الشبكات العصبية التلافيفية التقليدية. وقد تم التحقق من فائدة وفعالية CGNet على أربع مجموعات بيانات رئيسية للكشف عن التغيرات، كما أظهرت عدد كبير من التجارب والدراسات التحليلية فعالية الشبكة. وسنشرع في إتاحة الشفرة المصدرية لمشروعنا عبر الرابط: https://github.com/ChengxiHAN/CGNet-CD.