深層学習、特に畳み込みニューラルネットワーク（CNN）は、リモートセンシング（RS）における変化検出（CD）を革新してきましたが、既存の手法はグローバルな文脈を無視するため、重要な特徴を逃す傾向にあります。また、変化学習が不完全であることも課題です。さらに、トランスフォーマー型ネットワークは低レベルの細部情報を捉えにくいという問題があります。RCTNetは、これらの課題を克服するため、以下の4つの新規モジュールを導入しています。（1）空間的・時系列的特徴を早期に活用するための早期融合バックボーン、（2）時系列表現を強化するためのクロスステージアグリゲーション（CSA）モジュール、（3）デコーダにおける特徴抽出を豊かにするためのマルチスケール特徴融合（MSF）モジュール、（4）トランスフォーマーを活用してグローバル情報と微細な詳細情報を同時に捉える効率的な自己解読注意（ESA）モジュールです。広範な実験により、RCTNetが従来のRS画像変化検出手法に明確な優位性を示し、精度と計算コストのバランスにおいて優れた性能を発揮することが確認されました。