Pour les images de télédétection à haute résolution spatiale (HSR), l'apprentissage supervisé bitemporel domine généralement la détection de changements en utilisant de nombreuses images bitemporelles étiquetées par paires. Cependant, l'étiquetage par paires d'images bitemporelles HSR à grande échelle est très coûteux et chronophage. Dans cet article, nous proposons l'apprentissage supervisé unitemporel (STAR) pour la détection de changements, en exploitant les modifications des objets dans des images non appariées comme signaux de supervision. STAR nous permet de former un détecteur de changement précis uniquement en utilisant des images étiquetées non appariées et de le généraliser aux images bitemporelles réelles. Pour évaluer l'efficacité de STAR, nous avons conçu un détecteur de changement simple mais efficace appelé ChangeStar, qui peut réutiliser toute architecture de segmentation sémantique profonde grâce au module ChangeMixin. Les résultats expérimentaux complets montrent que ChangeStar surpasse largement la méthode de référence sous supervision unitemporelle et atteint une performance supérieure sous supervision bitemorpelle. Le code est disponible sur https://github.com/Z-Zheng/ChangeStar