نموذج استخراج الميزات بدقة عالية يعد ضروريًا للكشف عن التغيير (CD). في الماضي، تعلمت العديد من طرق الكشف عن التغيير المراقبة القائمة على التعلم العميق أنماط ميزات التغيير من عدد كبير من الصور ثنائية الزمن المصنفة، بينما يعتبر تصنيف الصور ثنائية الزمن للرصد عن بعد أمرًا غالي الثمن وغالبًا ما يستغرق وقتًا طويلاً؛ ولذلك، نقترح طريقة كشف عن التغيير شبه مراقبة من الخشن إلى الدقيق تعتمد على تنظيم الاتساق (C2F-SemiCD)، والتي تتضمن شبكة كشف عن التغيير من الخشن إلى الدقيق مع آلية انتباه متعددة المقاييس (C2FNet) وطريقة تحديث شبه مراقبة. ضمن هذه الطريقة، تقوم شبكة C2FNet بإنجاز استخراج ميزات التغيير تدريجيًا من الخشونة إلى الدقة عبر دمج الميزات متعددة المقاييس، وآلية انتباه القنوات، وآلية انتباه الفضاء، ووحدة السياق العالمي، ووحدة تحسين الميزات، ووحدة التجميع الأولي، ووحدة التجميع النهائي. أما طريقة تحديث شبه المراقبة فتستخدم طريقة المعلم المتوسط. يتم تحديث معلمات النموذج الطالب إلى معلمات نموذج المعلم باستخدام طريقة الوسط المتحرك الأسي (EMA). من خلال التجارب الواسعة على ثلاثة قواعد بيانات والدراسات الاستقصائية الدقيقة التي تشمل التجارب العابرة بين قواعد البيانات، نؤكد الفعالية والكفاءة البارزتين للطريقة المقترحة C2F-SemiCD. سيتم توفير الرمز البرمجي في: https://github.com/ChengxiHAN/C2F-SemiCDand-C2FNet.