Dieses Papier stellt drei vollständig konvolutive Neuronale-Netz-Architekturen vor, die Veränderungserkennung mittels eines Paares koregistrierter Bilder durchführen. Besonders erwähnenswert sind zwei von uns vorgeschlagene Siamese-Erweiterungen vollständig konvolutiver Netze, die aufgrund von Heuristiken zum aktuellen Problem in unseren Tests auf zwei öffentlichen Veränderungserkennungsdatensätzen – sowohl bei RGB- als auch bei multispектralen Bildern – die besten Ergebnisse erzielen. Wir zeigen, dass unser System in der Lage ist, von Grund auf zu lernen, indem es annotierte Veränderungserkennungsbilder verwendet. Unsere Architekturen erreichen eine bessere Leistung als bisher vorgeschlagene Methoden und sind zudem mindestens 500-mal schneller als verwandte Systeme. Diese Arbeit ist ein Schritt hin zu effizienter Datenverarbeitung aus groß angelegten Erdbeobachtungssystemen wie Copernicus oder Landsat.