La détection de changement est une tâche fondamentale du traitement d'images de télédétection. L'objectif de la recherche est d'identifier les informations de changement pertinentes et d'éliminer les informations de changement non pertinentes en tant que facteurs de perturbation. Récemment, l'émergence de l'apprentissage profond a fourni de nouveaux outils pour la détection de changement, qui ont produit des résultats impressionnants. Cependant, les méthodes disponibles se concentrent principalement sur les informations différentielles entre les images de télédétection multitemporelles et manquent de robustesse face aux informations de faux-changements. Pour surmonter le manque de résistance des méthodes actuelles aux faux-changements, nous proposons dans cet article une nouvelle méthode, à savoir les réseaux jumeaux entièrement convolutionnels à double attention (DASNet) pour la détection de changement dans des images à haute résolution. Grâce au mécanisme à double attention, les dépendances à long terme sont capturées afin d'obtenir des représentations caractéristiques plus discriminantes et d'améliorer les performances de reconnaissance du modèle. De plus, l'échantillonnage déséquilibré constitue un problème sérieux en détection de changement : les échantillons inchangés sont beaucoup plus nombreux que ceux ayant subi un changement, ce qui est l'une des principales raisons des faux-changements. Nous avons introduit la perte contrastive à double marge pondérée pour résoudre ce problème en pénalisant l'attention portée aux paires d'échantillons inchangés et en augmentant l'attention portée aux paires d'échantillons ayant subi un changement. Les résultats expérimentaux de notre méthode sur le jeu de données pour la détection de changement (CDD) et le jeu de données pour la détection de changement des bâtiments (BCDD) montrent que par rapport aux autres méthodes baselines, la méthode proposée réalise des améliorations maximales respectivement de 2,1 % et 3,6 % en termes de score F1. Notre implémentation Pytorch est disponible à l'adresse suivante : https://github.com/lehaifeng/DASNet.