本文提出了一种双注意力的全卷积连体网络（DASNet），通过捕获远距离依赖关系，提高模型的识别性能。该方法通过惩罚和增加注意力解决变化检测的样本不均衡问题。实验证明，该方法在F1值上有2.1%和3.6%的提升，具有鲁棒性。

本文提出了一种名为DASNet的全卷积连体网络，通过双注意力机制提高模型的识别性能，并通过惩罚注意力和增加注意力来解决变化检测的样本不均衡问题。实验结果表明，该方法在F1值上比其他基线方法分别提高了2.1%和3.6%，具有较强的鲁棒性。

本文提出了一种双注意力的全卷积连体网络（DASNet），通过捕获远距离依赖关系，提高模型的识别性能。该方法通过惩罚注意力和增加注意力解决了变化检测的样本不均衡问题。实验结果表明，与其他方法相比，该方法在F1值上分别提升了2.1%和3.6%，具有鲁棒性。