يُجرى كشف التغير في الصور المستشعرة عن بعد (CD) لتحديد التغيرات المهمة المطلوبة بين صورتين زمنيتين. بالنظر إلى صورتين مُتوافقتين مكانيًا تم أخذهما في أوقات مختلفة، فإن تغيرات الإضاءة وأخطاء التموضع تُغطي التغيرات الحقيقية في الكائنات. وقد يُحسّن استكشاف العلاقات بين بكسلات مختلفة في الفضاء والزمن أداء طرق كشف التغير. في عملنا، نقترح شبكة عصبية انتباه فضائي-زمني قائمة على نموذج سيماسي جديد. على عكس الطرق السابقة التي ترمّز الصورتين الزمنيتين بشكل منفصل دون الاستعانة بأي اعتماد فضائي-زمني مفيد، نصمم آلية انتباه ذاتية للكشف عن التغير (CD) لتمثيل العلاقات الفضائية-الزمنية. ونُدمج وحدة انتباه ذاتية جديدة للكشف عن التغير في عملية استخلاص الميزات. تعتمد وحدة الانتباه الذاتي لدينا على حساب معاملات الانتباه بين أي بكسلين في أوقات ومواضع مختلفة، واستخدام هذه المعاملات لتكوين ميزات أكثر تمييزًا. وبما أن الكائنات قد تختلف في الحجم، نقوم بتقسيم الصورة إلى مناطق فرعية متعددة المقاييس، ونُدخل الانتباه الذاتي في كل منطقة فرعية. وبهذا نتمكن من اكتشاف الاعتماديات الفضائية-الزمنية على مقاييس مختلفة، مما يُنتج تمثيلات أفضل قادرة على تغطية كائنات بأحجام متنوعة. كما نُقدّم مجموعة بيانات للكشف عن التغير (LEVIR-CD)، وهي أكبر بمرتين من أي مجموعة بيانات عامة أخرى في هذا المجال. تتكوّن LEVIR-CD من مجموعة كبيرة من الصور الزمنية من Google Earth، وتشمل 637 زوجًا من الصور (1024 × 1024) وأكثر من 31 ألف حالة تغير مُعلّمة بشكل مستقل. تُحسّن الوحدة الانتباهية المقترحة من دقة F1-score للنموذج الأساسي من 83.9 إلى 87.3، مع تكلفة حسابية مقبولة. وتُظهر النتائج التجريبية على مجموعة بيانات عامة للكشف عن التغير في الصور المستشعرة عن بعد أن طريقتنا تتفوّق على عدة طرق حديثة متقدمة أخرى.