リモートセンシング画像の変化検出は、同一地域で異なる時刻に取得された画像間の差異を特定することを目的としており、土地管理、環境モニタリング、災害評価など幅広い分野で応用されている。現在、主流の変化検出手法は、シアンスネットワーク構造または早期融合構造に基づいている。シアンス構造は、異なる時刻における物体特徴の抽出に重点を置いているが、変化情報への注目が不足しており、偽陽性や見逃し検出を引き起こす要因となっている。一方、早期融合（Early Fusion, EF）構造は、異なる時相の画像を融合した後に特徴を抽出することに注力しているが、変化の詳細を検出する上で異なる時刻における物体特徴の重要性を無視しており、変化物体の輪郭を正確に把握することが困難である。これらの課題を解決し、より高精度な検出結果を実現するため、本研究では三本のブランチから構成されるエンコーダーを基盤とする新しいネットワーク、Triplet UNet（T-UNet）を提案する。T-UNetは、三本のエンコーダーにより、事前時相と事後時相の画像間における物体特徴と変化特徴を同時に抽出可能である。さらに、三本のブランチから抽出された特徴間の有効な相互作用と融合を実現するため、マルチブランチ空間-スペクトルクロスアテンションモジュール（Multi-Branch Spatial-Spectral Cross-Attention, MBSSCA）を提案する。デコーダー段階では、浅層における詳細なテクスチャ情報と深層における意味的局所化情報を十分に抽出・統合するため、チャネルアテンション機構（Channel Attention Mechanism, CAM）と空間アテンション機構（Spatial Attention Mechanism, SAM）を導入している。