Angesichts der unzureichenden Leistung bestehender Veränderungserkennungsmethoden schlagen wir ein tief supervisiertes, auf Aufmerksamkeitsmetriken basierendes Netzwerk (DSAMNet) für die bi-temporale Bildveränderungserkennung vor. Das DSAMNet umfasst ein CBAM-integriertes Veränderungsentscheidungsmodul, das direkt aus den Merkmalen des Merkmalsextraktors eine Veränderungskarte lernt, sowie ein ergänzendes tiefes Supervisionsmodul, das Zwischenergebnisse der Veränderungserkennung generiert, um das Training der versteckten Schichten zu unterstützen. Außerdem stellen wir einen neuen Benchmark – SYSU-CD – mit insgesamt 20.000 Bildpaaren zur Verfügung, um tiefen Lernverfahren zur Veränderungserkennung zu trainieren und zu testen. Vergleichende Experimente auf dem SYSU-CD-Datensatz belegen die Wirksamkeit des vorgeschlagenen Ansatzes.