本文介绍了一种轻量且高效的变更检测模型，称为TinyCD。该模型旨在满足工业需求，设计得比当前最先进的变更检测模型更快、更小。尽管其体积比对比的变更检测模型小13到140倍，并且计算复杂度至少降低了三分之一，但我们的模型在LEVIR-CD数据集上F1分数和IoU指标均优于当前最先进的模型至少1%，在WHU-CD数据集上的表现则超过8%。为了达到这些结果，TinyCD采用了Siamese U-Net架构，以全局时间维度和局部空间维度利用低级特征。此外，它采用了一种新的策略，在时空域中混合特征，不仅用于合并从Siamese主干网络获得的嵌入向量，还结合一个MLP模块，形成了一种新颖的空间-语义注意力机制——混合与注意力掩码块（Mix and Attention Mask Block, MAMB）。源代码、模型及实验结果可在此处获取：https://github.com/AndreaCodegoni/Tiny_model_4_CD