Die Änderungserkennung ist eine zentrale Aufgabe in der Analyse von Fernerkundungsbildern (Remote Sensing, RS). Sie findet breite Anwendung in der Überwachung und Bewertung von Naturkatastrophen, der Planung von Landressourcen und weiteren Bereichen. Da es sich bei der Änderungserkennung um eine pixelgenaue Vorhersageaufgabe handelt, ist sie besonders empfindlich gegenüber der Nutzung der ursprünglichen Positionsinformation. Moderne Ansätze zur Änderungserkennung konzentrieren sich häufig auf die Extraktion tiefer semantischer Veränderungsinformationen, vernachlässigen jedoch die Bedeutung von Informationen aus frühen Netzwerkschichten, die hochauflösende und fein granulierte Merkmale enthalten. Dies führt oft zu Unsicherheiten bei den Pixeln am Rand veränderter Objekte sowie zu Fehlern bei der Erkennung kleiner Objekte. In diesem Beitrag stellen wir ein dicht verbundenes Siamese-Netzwerk für die Änderungserkennung vor, namens SNUNet-CD (Kombination aus Siamese-Netzwerk und NestedUNet). SNUNet-CD verringert den Verlust von Lokalisationsinformationen in tiefen Schichten des neuronalen Netzes durch kompakte Informationsübertragung zwischen Encoder und Decoder sowie zwischen Decoder und Decoder. Zudem wird ein Ensemble-Channel-Attention-Modul (ECAM) vorgeschlagen, um eine tiefe Überwachung zu ermöglichen. Durch ECAM werden die repräsentativsten Merkmale unterschiedlicher semantischer Ebenen verfeinert und für die abschließende Klassifikation genutzt. Experimentelle Ergebnisse zeigen, dass unsere Methode sich in zahlreichen Bewertungskriterien deutlich verbessert und ein besseres Verhältnis zwischen Genauigkeit und Rechenaufwand im Vergleich zu anderen aktuellen Spitzenverfahren (SOTA) der Änderungserkennung erreicht.