Die Änderungserkennung ist eine grundlegende Aufgabe der Fernerkundungs-Bildverarbeitung. Das Forschungsziel besteht darin, die gewünschten Änderungsinformationen zu identifizieren und irrelevante Änderungsinformationen als Störfaktoren zu filtern. In jüngerer Zeit hat der Aufschwung des tiefen Lernens neue Werkzeuge für die Änderungserkennung bereitgestellt, die beeindruckende Ergebnisse erzielt haben. Dennoch konzentrieren sich die verfügbaren Methoden hauptsächlich auf die Differenzinformation zwischen zeitlich versetzten Fernerkundungsbildern und sind gegenüber Pseudo-Änderungen nicht ausreichend robust. Um das Manko der aktuellen Methoden bei Pseudo-Änderungen zu überwinden, schlagen wir in dieser Arbeit eine neue Methode vor: die duale aufmerksamkeitsbasierte vollständig faltende Siamese Netzwerke (DASNet) zur Änderungserkennung in hochaufgelösten Bildern. Durch den Dual-Aufmerksamkeitsmechanismus werden langfristige Abhängigkeiten erfasst, um differenziertere Merkmalsrepräsentationen zu erhalten und damit die Erkennungsleistung des Modells zu verbessern. Darüber hinaus stellt das ungleichmäßige Verhältnis von Proben ein ernsthaftes Problem in der Änderungserkennung dar, d.h., unveränderte Proben sind deutlich häufiger als veränderte Proben, was einer der Hauptgründe für Pseudo-Änderungen ist. Wir schlagen dazu den gewichteten doppelten Marginalkontrastivverlust vor, um die Aufmerksamkeit für unveränderte Merkmalspaare zu bestrafen und gleichzeitig die Aufmerksamkeit für veränderte Merkmalspaare zu erhöhen. Die experimentellen Ergebnisse unserer Methode anhand des Change Detection Datasets (CDD) und des Building Change Detection Datasets (BCDD) zeigen, dass im Vergleich zu anderen Baseline-Methoden Verbesserungen von bis zu 2,1 % und 3,6 % bezüglich des F1-Scores erreicht wurden. Unsere Implementierung in PyTorch ist unter https://github.com/lehaifeng/DASNet verfügbar.