本論文では、軽量かつ効果的な変化検出モデルであるTinyCDを提案します。このモデルは、産業界のニーズに基づいて、現行の最先端の変化検出モデルよりも高速で小型に設計されています。比較対象の変化検出モデルに対して13倍から140倍小型であり、計算複雑度も少なくとも3分の1に抑えることができましたが、当社のモデルはLEVIR-CDデータセットにおいてF1スコアとIoU（Intersection over Union）で現行の最先端モデルを少なくとも1%上回り、WHU-CDデータセットでは8%以上上回る性能を示しました。これらの結果を得るために、TinyCDは低レベル特徴を時間的に全体的に、空間的に局所的に活用するSiamese U-Netアーキテクチャを使用しています。さらに、空間時間領域での特徴量の混合戦略を採用しており、Siameseバックボーンから得られた埋め込みを統合するとともに、MLPブロックと組み合わせて新しい空間意味注意メカニズムであるMix and Attention Mask Block (MAMB)を形成しています。ソースコード、モデルおよび結果は以下のURLから入手可能です: https://github.com/AndreaCodegoni/Tiny_model_4_CD