تشخیص تغییرات سه‌بعدی در ساختمان‌ها نقشی حیاتی در نظارت شهری، توسعه پایدار، و مدیریت بلایا دارد. این پژوهش روشی نوآورانه برای تشخیص تغییرات چند کلاسه ساختمان‌ها ارائه می‌کند. روش پیشنهادی با ترکیب دو معماری پیشرفته شامل شبکه مبدل سیامی و مکانیزم‌های توجه مکانی - کانالی، قابلیت تشخیص دقیق تغییرات ساختمانی را به‌صورت خودکار فراهم می‌سازد. نوآوری اصلی این کار در طراحی یک بلوک کدگذار مبتنی بر توجه دوگانه است که به‌صورت هم‌زمان روابط مکانی محلی و وابستگی‌های کانالی را برای شناسایی تغییرات تحلیل می‌کند.  یکی از چالش‌های کلیدی در زمینه شناسایی تغییرات، توزیع نامتعادل کلاس‌ها (مانند ساختمان‌های بدون تغییر، سازه‌های جدید و ساختمان‌های تخریب‌شده) است. برای حل این مشکل، از روش­هایی نظیر تقویت مؤثرتر داده‌ها و استخراج قطعات همپوشان در مرحله پیش‌پردازش استفاده ­شده ­است. روش پیشنهادی بر روی یک مجموعه‌داده استریو از ماهواره GeoEye-1 با قدرت تفکیک 0/5 متر و یک مجموعه‌داده استریو هوایی  با قدرت تفکیک 0/08 متر پیاده‌سازی شده است. با اعمال روش پیشنهادی در آزمایش‌ها، ضرایب کاپای ۹۴% و ۹۳% برای مجموعه‌داده‌های ماهواره‌ای و هوایی به‌دست‌آمده است که در مقایسه با سایر روش­های پیشرفته مانند ChangeFormer با ضریب کاپا ۹۱% برای هر دو مجموعه‌داده، بهبود قابل‌ملاحظه‌ای (افزایش ۳ درصدی ضریب کاپا) حاصل شده است. این مدل با بهبود استخراج ویژگی‌ها و عملکرد مناسب روی داده‌های متنوع، به ابزاری قدرتمند برای نظارت بر محیط‌های شهری تبدیل شده و راهکاری مقیاس‌پذیر و قابل‌اعتماد برای برنامه‌ریزی و مدیریت شهری ارائه می‌دهد.