Compte tenu de l’insuffisance des méthodes actuelles de détection de changements, nous proposons un réseau fondé sur une métrique d’attention à supervision profonde (DSAMNet) pour la détection de changements dans des images bi-temporelles. Le DSAMNet intègre un module de décision de changement basé sur CBAM, permettant d’apprendre directement une carte de changement à partir des caractéristiques extraites par le module d’extraction de caractéristiques, ainsi qu’un module d’encouragement par supervision profonde afin de générer des résultats intermédiaires de changement, facilitant ainsi l’entraînement des couches cachées. Nous introduisons également un nouveau benchmark, le SYSU-CD, comprenant un total de 20 000 paires d’images, dédié à l’entraînement et au test des méthodes de détection de changements basées sur l’apprentissage profond. Des expériences comparatives sur le jeu de données SYSU-CD ont démontré l’efficacité de la méthode proposée.