変化検出（Change Detection: CD）は重要な地球観測技術であり、地表オブジェクトの動的な情報を捉えます。深層学習の発展に伴い、畳み込みニューラルネットワーク（Convolutional Neural Networks: CNN）はCDにおいて大きな可能性を示しています。しかし、現在のCNNモデルでは、学習過程で詳細情報が失われるバックボーンアーキテクチャが導入されています。さらに、現在のCNNモデルはパラメータ数が多く、UAVなどのエッジデバイスへの展開が困難となっています。本研究では、この問題に対処するためにRDP-Net（Region Detail Preserving Network）を提案します。効率的な訓練戦略を提案し、CNN訓練のウォームアップ期間中に訓練タスクを構築し、CNNが簡単なタスクから難しいタスクへと学習するようにします。この訓練戦略により、CNNは少ないFLOPsでより強力な特徴を学習し、より優れた性能を達成することが可能となります。次に、詳細部分での誤差に対する罰則を増加させる効果的なエッジ損失関数を提案し、境界領域や小さなエリアなどの詳細部分に対するネットワークの注目度を向上させます。さらに、1.70Mパラメータのみで最新の経験的性能を達成する全く新しいバックボーンを持つCNNモデルを提供します。我々はRDP-Netがコンパクトデバイスでの実践的なCDアプリケーションに貢献することを期待しており、効率的な訓練戦略によって変化検出技術が新たなレベルに進むことを多くの人々に啓発することを目指しています。コードとモデルは公開されており、https://github.com/Chnja/RDPNet からアクセスできます。