高分解能リモートセンシング画像における変化検出は、地表面の変化を理解する上で極めて重要である。高分解能画像に含まれる細部情報や複雑なテクスチャ特徴による課題を考慮すると、従来の変化検出手法はこのタスクに適していない。そのため、変化検出性能の向上を目的として、多数の深層学習ベースの手法が提案されてきた。現状の最先端の深層特徴ベース手法は、他のすべての深層学習ベースの変化検出手法を上回る性能を示しているが、既存の深層特徴ベース手法におけるネットワーク構造の多くは、単一画像のセマンティックセグメンテーションを目的として当初提案されたアーキテクチャを変更したものである。このようなネットワークを変化検出タスクに適用する際には、依然としていくつかの重要な課題が残っている。本論文では、高分解能二時相リモートセンシング画像における変化検出を目的として、深層監視付き画像融合ネットワーク（IFN）を提案する。具体的には、完全畳み込み型の二ストリームアーキテクチャを用いて、二時相画像の高表現力を持つ深層特徴をまず抽出する。次に、抽出された深層特徴を、深層監視付き差分識別ネットワーク（DDN）に投入し、変化検出を行う。出力される変化マップにおけるオブジェクトの境界の完全性および内部の密着性を向上させるために、注意機構（attention modules）を用いて、元画像の多段階深層特徴と画像差分特徴を融合し、変化マップの再構成を行う。さらに、DDNはネットワークの中間層に直接変化マップの損失関数を導入することで強化され、全体のネットワークはエンド・ツー・エンドの形で学習される。提案手法IFNは、公開データセットおよび、中国の複数都市をカバーするGoogle Earthから取得したマルチソース二時相画像から構成される困難なデータセットに適用された。視覚的評価および定量的評価の両方において、IFNは文献から導かれた4つのベンチマーク手法を上回ることが確認された。特に、最先端手法と比較して、変化領域の境界がより完全で、内部の密着性が高く、より高品質な変化マップを生成することが明らかとなった。