近年、深層学習を導入した建物変化検出手法は大きな進歩を遂げていますが、抽出された特徴量が十分に識別力がないという問題により、領域の不完全さや境界の不規則さが依然として存在しています。この問題に対処するため、我々は双方向タスク制約付き深層シアム畳み込みネットワーク（Dual Task Constrained Deep Siamese Convolutional Network: DTCDSCN）モデルを提案します。DTCDSCNは3つのサブネットワークから構成されており、変化検出ネットワークと2つの意味分割ネットワークが含まれています。DTCDSCNは変化検出と意味分割を同時に達成でき、これによりより識別力のあるオブジェクトレベルの特徴量を学習し、完全な変化検出マップを得ることができます。さらに、我々はチャンネル間および空間位置間の相互依存関係を利用する双方向注意モジュール（Dual Attention Module: DAM）を導入します。これにより特徴表現が向上します。また、サンプルの不均衡問題を抑制するためにフォーカルロス関数も改良しました。WHU建物データセットを使用して得られた実験結果は、提案手法が建物変化検出において効果的であり、精度（Precision）、再現率（Recall）、F1値（F1-score）、および交差比（Intersection over Union）という4つの指標において最先端の性能を達成していることを示しています。