La détection de changement est une tâche essentielle dans l’analyse des images de télédétection (RS). Elle est largement utilisée pour la surveillance et l’évaluation des catastrophes naturelles, la planification des ressources foncières, ainsi que dans d’autres domaines. En tant que tâche de prédiction pixel par pixel, la détection de changement est particulièrement sensible à l’utilisation des informations de position d’origine. Les méthodes récentes de détection de changement se concentrent principalement sur l’extraction de caractéristiques sémantiques profondes, tout en négligeant l’importance des informations de couches superficielles, qui contiennent des détails à haute résolution et fins. Cette omission conduit souvent à une incertitude des pixels situés aux bords des cibles modifiées, ainsi qu’à une omission des petites cibles. Dans cette lettre, nous proposons un réseau siamois à connexion dense pour la détection de changement, nommé SNUNet-CD (combinaison de réseau siamois et de NestedUNet). SNUNet-CD atténue la perte d’informations de localisation dans les couches profondes du réseau neuronal grâce à une transmission d’information compacte entre l’encodeur et le décodeur, ainsi qu’entre les différentes couches du décodeur. Par ailleurs, nous introduisons un module d’attention par ensemble de canaux (ECAM) pour une supervision profonde. Grâce à ECAM, les caractéristiques les plus représentatives à différents niveaux sémantiques sont affinées et utilisées pour la classification finale. Les résultats expérimentaux montrent que notre méthode améliore significativement plusieurs critères d’évaluation et offre un meilleur compromis entre précision et coût computationnel par rapport aux méthodes d’état de l’art (SOTA) en détection de changement.