كشف التغيرات يُعد مهمة مهمة في تحليل صور الاستشعار عن بعد (RS). ومع تطور التعلم العميق وازدياد كميات بيانات الاستشعار عن بعد، أصبح هناك عدد متزايد من الطرق المستندة إلى التعلم المراقب لكشف التغيرات. في هذه الورقة، نُحسّن شبكة التصنيف الدلالي UNet++ ونُقدّم شبكة متكاملة بالكامل ذات بنية ثنائية (Siam-NestedUNet) لكشف التغيرات. ندمج ثلاثة أنواع من الهياكل الثنائية مع UNet++ على التوالي لاستكشاف تأثير الهياكل الثنائية على مهمة كشف التغيرات، في ظل شبكة أساسية قادرة على استخراج السمات بفعالية. علاوةً على ذلك، وبما أن Siam-NestedUNet تتميز بإخراج متعدد، فقد صممنا مجموعة من التجارب لاستكشاف مستوى الأهمية الخاص بكل إخراج على مستويات دلالية مختلفة. وفقًا لنتائج التجارب، فإن طريقةنا تُظهر تحسنًا كبيرًا في عدد من المؤشرات، بما في ذلك الدقة، والاسترجاع، ودقة F1، والدقة الإجمالية، وتحسن أداؤها مقارنةً بطرق كشف التغيرات الرائدة الأخرى (SOTA). سيتم إتاحة التنفيذ الخاص بنا عبر الرابط التالي: https://github.com/likyoo/Siam-NestedUNet.