La detección de cambios (CD) es una de las tareas esenciales en el procesamiento y análisis de imágenes de teledetección. La CD en teledetección es un proceso para determinar y evaluar cambios en varios objetos de superficie a lo largo del tiempo. Los impresionantes logros del aprendizaje profundo en el procesamiento de imágenes y la visión por computadora proporcionan un concepto innovador para la tarea de CD. Sin embargo, los métodos existentes basados en aprendizaje profundo aún tienen problemas para detectar correctamente regiones pequeñas cambiadas y distinguir los límites de las regiones cambiadas. Para resolver las deficiencias mencionadas y mejorar la eficiencia de las redes de CD, inspirados en el hecho de que un mecanismo de atención puede refinar características de manera efectiva, proponemos una red basada en atención para la CD en teledetección, que tiene dos componentes importantes: un bloque de convolución asimétrico (ACB) y un mecanismo de atención combinado. Primero, el método propuesto extrae las características de imágenes bi-temporales, que contienen dos codificadores paralelos con pesos y estructuras compartidas. Luego, los mapas de características se alimentan al módulo de atención combinada para reconstruir los mapas de cambio y obtener mapas de características refinadas. El CANet propuesto se evalúa en dos conjuntos de datos disponibles públicamente para la desafiante CD de imágenes de teledetección. Resultados empíricos extensos con cuatro métricas populares muestran que el marco diseñado produce un detector de CD robusto con un buen rendimiento de generalización. En los conjuntos de datos CDD y LEVIR-CD, los valores de F1 del CANet son un 3.3% y un 1.3% más altos que los de los métodos avanzados de CD, respectivamente. Un análisis cuantitativo y una comparación cualitativa indican que nuestro método supera a las líneas base competitivas en términos de efectividad y robustez.