La formation des modèles de détection de changements (CD) basés sur l’apprentissage profond repose fortement sur de grandes bases de données étiquetées. Toutefois, la collecte d’images bitemporelles à grande échelle contenant des changements de bâtiments est longue et fastidieuse, en raison de la rareté et de la dispersion de ces événements. Les méthodes actuelles visant à pallier le manque de données se concentrent principalement sur l’augmentation globale d’images par transformation et sur des algorithmes sensibles au coût. Dans cet article, nous proposons une nouvelle solution au niveau des données, nommée augmentation de changement au niveau des instances (IAug), permettant de générer des images bitemporelles contenant des changements impliquant de nombreux et divers bâtiments, grâce à une formation adversaire générative. Le cœur de IAug réside dans le mélange d’instances de bâtiments synthétisées à des positions appropriées d’une des images bitemporelles. Pour cela, un générateur de bâtiments est utilisé pour produire des images réalistes de bâtiments conformes aux plans donnés. Des styles variés sont ensuite transférés sur ces images générées. Nous proposons également une méthode de fusion consciente du contexte afin d’obtenir une composition réaliste entre le bâtiment et le fond. Nous avons enrichi les bases de données existantes de CD et avons conçu un modèle de CD simple mais efficace, nommé CDNet. Notre méthode (CDNet + IAug) a atteint des résultats de pointe sur deux bases de données de détection de changements de bâtiments (LEVIR-CD et WHU-CD). De manière intéressante, nous obtenons des performances comparables en n’utilisant que 20 % des données d’entraînement, contre 100 % pour les méthodes de pointe actuelles. Des expériences étendues ont validé l’efficacité de la méthode IAug proposée. Notre base de données augmentée présente un risque moindre d’iméquilibre de classes par rapport à la version originale. L’apprentissage classique sur la base de données synthétique surpasse plusieurs algorithmes sensibles au coût populaires sur la base de données originale. Notre code et les données sont disponibles à l’adresse suivante : https://github.com/justchenhao/IAug_CDNet.