La détection de changement par télédétection (RS-CD) vise à détecter les « changements d'intérêt » à partir d'images bitemporales co-enregistrées. Les performances des méthodes actuelles de détection de changement supervisée en profondeur sont attribuables aux grandes quantités de données annotées utilisées pour entraîner les réseaux. Cependant, l'annotation de grandes quantités d'images de télédétection est une tâche fastidieuse et coûteuse, particulièrement avec des images bitemporales, car elle nécessite des comparaisons pixel par pixel effectuées par un expert humain. D'un autre côté, nous avons souvent accès à des images multitemporales non étiquetées en nombre illimité grâce aux programmes croissants d'observation terrestre. Dans cet article, nous proposons une méthode simple mais efficace pour exploiter les informations provenant des images bitemporales non étiquetées afin d'améliorer les performances des approches de détection de changement. Plus précisément, nous proposons un modèle de détection de changement semi-supervisé dans lequel nous formulons une perte non supervisée de détection de changement en complément de la perte supervisée d'entropie croisée (CE), en contraignant la carte de probabilité des changements obtenue pour une paire d'images bitemporales non étiquetées à être cohérente sous les petites perturbations aléatoires appliquées au diagramme de différence des caractéristiques profondes obtenu par soustraction de leurs représentations latentes. Les expériences menées sur deux jeux de données publics de détection de changement montrent que la méthode semi-supervisée proposée peut atteindre des performances proches de celles du modèle supervisé même avec seulement 10 % des données d'entraînement annotées. Le code source est disponible sur https://github.com/wgcban/SemiCD