Durch die Fortschritte in der Technologie des tiefen Lernens haben tiefen-Lern-basierte Algorithmen, die automatische Merkmalsextraktion nutzen, beachtliche Leistungen bei der Veränderungserkennung (Change Detection, CD) erzielt. Allerdings wird die Leistung bestehender tiefen-Lern-basierter CD-Methoden durch das Ungleichgewicht zwischen veränderten und unveränderten Pixeln beeinträchtigt. Um dieses Problem anzugehen, wird in diesem Artikel eine progressive Vordergrund-geglichene Abtaststrategie vorgeschlagen, die keine zusätzlichen Veränderungsinformationen erfordert und dem Modell hilft, bereits in der frühen Trainingsphase präzise Merkmale der veränderten Pixel zu lernen, wodurch die Erkennungsleistung verbessert wird. Darüber hinaus entwerfen wir ein differenzierendes Siamese-Netzwerk, das hierarchische Aufmerksamkeitsnetzwerk (HANet), das multiskalare Merkmale integrieren und detaillierte Merkmale verfeinern kann. Der Hauptbestandteil von HANet ist das HAN-Modul, eine leichtgewichtige und effektive Selbst-Aufmerksamkeitsmechanik. Umfangreiche Experimente und Ablationsstudien an zwei CD-Datensätzen mit extrem unbalancierten Etiketten bestätigen die Wirksamkeit und Effizienz des vorgeschlagenen Ansatzes.