كشف التغير هو مهمة بالغة الأهمية ولكنها أيضًا متعددة التحديات في تحليل صور الاستشعار عن بعد، وقد تم تحقيق تقدم كبير بفضل التطور السريع للتعلم العميق. ومع ذلك، تركز معظم الطرق الحالية القائمة على التعلم العميق لكشف التغير على استخلاص الميزات المعقدة ودمج الميزات متعددة المقاييس، مع إغفال الاستخدام غير الكافي للميزات في المراحل المتوسطة، مما يؤدي إلى نتائج غير مثالية. ولحل هذه المشكلة، نقترح إطارًا جديدًا يُسمى RFL-CDNet، يستخدم تعلم ميزات أكثر غنىً لتعزيز أداء كشف التغير. وبشكل محدد، نُقدّم أولًا نظام مراقبة متعددة على مستوى عميق لتعزيز التمثيلات المتوسطة، مما يُحرر الإمكانات المخزنة في مُستخرج الميزات الأساسي في كل مرحلة. علاوةً على ذلك، صممنا وحدة التوجيه من الخشنة إلى الدقيقة (C2FG) ووحدة الدمج القابلة للتعلم (LF) لتحسين تعلم الميزات وتحقيق تمثيلات ميزات أكثر تمييزًا. تهدف وحدة C2FG إلى دمج التنبؤات الجانبية من المرحلة السابقة ذات المقياس الخشنة بشكل سلس في التنبؤ الحالي ذي المقياس الدقيق بطريقة تدريجية من الخشنة إلى الدقيقة، في حين تفترض وحدة LF أن مساهمة كل مرحلة وكل موقع فراغي مستقلة عن بعضها، وبالتالي تصميم وحدة قابلة للتعلم لدمج التنبؤات المتعددة. أظهرت التجارب على عدة مجموعات بيانات معيارية أن RFL-CDNet المُقترح يحقق أداءً من الدرجة الأولى على مجموعة بيانات WHU للأراضي الزراعية ومجموعة بيانات CDD، ويحقق ثاني أفضل أداء على مجموعة بيانات WHU للمباني. تم إتاحة الشفرة المصدرية والنماذج للجمهور عبر الرابط: https://github.com/Hhaizee/RFL-CDNet.