رغم النجاح الذي حققته الطرق القائمة على التعلم العميق للكشف عن التغيرات (CD)، إلا أن نقصها الحالي في التماثل الزمني (القنوات والمكان) والتماثل متعدد المقياس يُضعف قدرتها على تقليل التأثيرات الخارجية (مثل التغيرات في الإضاءة والاختلافات في الزاوية المرئية) الناتجة عن ظروف تصوير مختلفة أثناء الكشف عن التغيرات. في هذه الدراسة، تم اقتراح نموذج التماثل المميز الزمني ثنائي الزمن (BiFA) لإنتاج خريطة كشف دقيقة عن التغيرات بطريقة خفيفة الوزن من خلال تقليل تأثير العوامل غير ذات صلة. بشكل خاص، فيما يتعلق بالتماثل الزمني، تم اقتراح وحدة التفاعل ثنائي الزمن (BI) لتحقيق التماثل على مستوى قنوات الصور الثنائية الزمنية. ويعتمد هذا التفكير على أن إدخال وحدة BI في مرحلة استخراج الميزات قد يساعد في كبح التداخلات، مثل التغيرات في الإضاءة. وفي الوقت نفسه، تم اقتراح وحدة التماثل القائمة على مجال التدفق التفاضلي (ADFF) لتقدير الانزياح بين الصور الثنائية الزمنية بشكل صريح، وتحقيق التماثل على المستوى المكاني، مما يقلل من مشكلة التسجيل غير الكافي الناتجة عن اختلافات الزوايا المرئية. علاوة على ذلك، فيما يتعلق بالتماثل متعدد المقياس، تم إدخال مُفكك التماثل الخفي العصبي (IND) لإنتاج خرائط تنبؤ أكثر دقة، من خلال تحقيق تماثل دقيق للميزات متعددة المقياس عن طريق تعلُّم تمثيلات صورية مستمرة في الفضاء الإحداثي. وقد أظهر نموذج BiFA تفوقًا على الطرق الأخرى الرائدة في مجال الكشف عن التغيرات على ستة مجموعات بيانات (حيث تم تحسين مقاييس F1 والتقاطع على الوحدة (IoU) بنسبة 2.70%/3.91% و2.01%/2.94% على مجموعتي بيانات LEVIR+-CD وSYSU-CD على التوالي)، كما أظهر مرونة أكبر في الكشف عن التغيرات عبر دقة مختلفة. يمكن الوصول إلى الكود المصدر عبر الرابط التالي: https://github.com/zmoka-zht/BiFA.