كشف التغير (CD)، كواحدة من المشكلات الأساسية في المراقبة الأرضية، جذبت اهتمامًا كبيرًا من قبل الباحثين على مدار العقود الأخيرة. وبفضل التطور السريع في مستشعرات الأقمار الصناعية في السنوات الأخيرة، شهدنا تنوّعًا كبيرًا في بيانات كشف التغير بفضل توفر صور متعددة الطيف ذات دقة عالية جدًا (VHR)، التي توفر أدلة كافية على التغيرات. ومع ذلك، ما زال تحديد مناطق التغير الفعلية بدقة يشكل تحديًا كبيرًا. في هذه الدراسة، نقترح شبكة كشف تغيرات نهائية (ESCNet) تعتمد على تكبير الفصوص (superpixel)، مصممة خصيصًا لصور VHR، والتي تدمج بين تقسيم الفصوص القابل للتمييز وشبكة عصبية عميقة مبنية على التحويلات التلافيفية (DCNN). تم تخصيص شبكتين لاستخراج الميزات وتقسيم الفصوص (SSNs) تُشتركان في الأوزان، لمعالجة أزواج الصور الزمنية الثنائية. ثم تُستخدم شبكة عصبية من نوع سيماسي مبنية على نموذج UNet لاستخلاص المعلومات المختلفة بين الصور. وتُستخدم الفصوص لخفض الضوضاء الكامنة في خرائط الميزات على مستوى البكسل مع الحفاظ على الحواف، حيث يُستخدم وحدة تكبير فصوص جديدة لهذا الغرض. علاوة على ذلك، ولتعويض الاعتماد على عدد الفصوص، نقترح وحدة مبتكرة للدمج التكيفي للفصوص (ASM)، والتي تتميز ببنية بسيطة وقابلة للتمييز بالكامل. كما تُضاف وحدة تحسين على مستوى البكسل، تُستفيد من الميزات المُفكَّكة متعددة المستويات، في نهاية الهيكل العام. وقد أكدت التجارب على مجموعتي بيانات عامتين تفوق ESCNet على الطرق التقليدية والحديثة القائمة على التعلم العميق (SOTA) في كشف التغيرات.