In dieser Arbeit stellen wir ein leichtgewichtiges und effektives Änderungserkennungsmodell vor, das TinyCD genannt wird. Dieses Modell wurde aufgrund industrieller Anforderungen so konzipiert, dass es schneller und kleiner als aktuelle state-of-the-art-Änderungserkennungsmodelle ist. Trotz einer Größe, die 13 bis 140 Mal kleiner ist als die verglichenen Änderungserkennungsmodelle, und mindestens ein Drittel der Rechenkomplexität aufweist, übertrifft unser Modell die aktuellen state-of-the-art-Modelle um mindestens 1 % sowohl im F1-Score als auch im IoU auf dem LEVIR-CD-Datensatz und um mehr als 8 % auf dem WHU-CD-Datensatz. Um diese Ergebnisse zu erzielen, verwendet TinyCD eine Siamese U-Net-Architektur, die tiefe Merkmale global zeitlich und lokal räumlich nutzt. Zudem setzt es eine neue Strategie zur Mischung von Merkmalen im Raum-Zeit-Bereich ein, sowohl um die aus den Siamese Backbones gewonnenen Einbettungen zu fusionieren als auch, in Kombination mit einem MLP-Block, einen neuen raum-semantischen Aufmerksamkeitsmechanismus zu bilden, den Mix and Attention Mask Block (MAMB) (Mix and Attention Mask Block). Quellcode, Modelle und Ergebnisse sind hier verfügbar: https://github.com/AndreaCodegoni/Tiny_model_4_CD