تعتمد تدريب نماذج الكشف عن التغيرات القائمة على التعلم العميق بشكل كبير على مجموعات بيانات مُعلّمة كبيرة. ومع ذلك، فإن جمع صور ثنائية الزمنية على نطاق واسع التي تحتوي على تغيرات في المباني يكون عملية مرهقة وطويلة بسبب ندرة هذه التغيرات وتفتتها الفضائية. تتركز الطرق الحديثة لمعالجة نقص البيانات بشكل رئيسي على تكبير الصور العالمية القائمة على التحويلات، وعلى الخوارزميات الحساسة للتكلفة. في هذا المقال، نقترح حلًا جديدًا على مستوى البيانات يُسمى "التكبير على مستوى المثيلات" (IAug)، والذي يُولّد صورًا ثنائية الزمنية تحتوي على تغيرات تشمل العديد من المباني المتنوعة من خلال الاستفادة من التدريب المتنافس التوليدية (GAN). تكمن الفكرة الأساسية لـ IAug في دمج مثيلات مباني مُولّدة في مواقع مناسبة ضمن إحدى صور ثنائي الزمنية. لتحقيق ذلك، نستخدم مولّدًا للمباني لإنتاج صور واقعية للمباني تتماشى مع التخطيطات المعطاة. ثم يتم نقل أنماط متنوعة إلى الصور المولّدة. ونُقدّم أيضًا تقنية خلط مُراعية للسياق لضمان تراكيب واقعية بين المباني والخلفية. قمنا بتوسيع مجموعات بيانات الكشف عن التغيرات الحالية، كما صممنا نموذجًا بسيطًا ولكن فعّالًا للكشف عن التغيرات يُسمى "شبكة الكشف عن التغيرات" (CDNet). أظهرت نتائج طريقةنا (CDNet + IAug) أداءً متميزًا على مستوى الحالة الحالية في مجموعتي بيانات مبنيتين (LEVIR-CD وWHU-CD). ومن المثير للاهتمام أننا حققنا نتائج مماثلة باستخدام فقط 20% من بيانات التدريب، مقارنةً بالطرق المتميزة الحالية التي تستخدم 100% من البيانات. وقد أكدت التجارب الواسعة فعالية IAug المقترحة. كما أن مجموعة البيانات المُوسّعة التي قمنا بها تُظهر خطرًا أقل للتوازن غير المتكافئ بين الفئات مقارنةً بالبيانات الأصلية. وتفوق التعلم التقليدي على مجموعة البيانات المُولّدة على عدة خوارزميات شائعة حساسة للتكلفة عند تطبيقها على البيانات الأصلية. يمكن الوصول إلى الكود والبيانات الخاصة بنا عبر الرابط التالي: https://github.com/justchenhao/IAug_CDNet.