リモートセンシング画像の変化検出（Change Detection: CD）は、時系列的に取得された二枚の画像間における所望の顕著な変化を特定することを目的としている。同一領域を異なる時刻に撮影された共登録画像を対象とした場合、照明条件の変化や誤登録エラーが実際の物体変化を上回るため、正確な変化検出は困難である。異なる空間・時系列ピクセル間の関係性を探索することで、CD手法の性能を向上させることができる。本研究では、従来の手法が時系列画像を独立して符号化し、空間・時系列依存性を考慮しないのに対し、空間・時系列関係をモデル化する新たな自己注意機構（CD self-attention mechanism）を導入した、シアンス型の空間・時系列注意ニューラルネットワークを提案する。特徴抽出プロセスに新たなCD自己注意モジュールを統合し、異なる時刻・位置に存在する任意の二つのピクセル間の注意重みを計算し、より識別性の高い特徴を生成する。また、物体が異なるスケールで存在する可能性を考慮し、画像をマルチスケールの部分領域に分割し、各部分領域内で自己注意機構を適用する。これにより、多様なスケールでの空間・時系列依存性を捉えることができ、さまざまなサイズの物体に対応可能なより優れた表現を生成できる。さらに、本研究では、従来の公開データセットと比較して2桁大きい規模を持つ新たなCDデータセット「LEVIR-CD」を提案する。LEVIR-CDは、大規模なグーグルアース画像から構成されており、637組の二時系列画像（1024 × 1024）と、31,000以上に及ぶ独立にラベル付けされた変化インスタンスを含んでいる。提案する自己注意モジュールにより、ベースラインモデルのF1スコアは83.9から87.3まで向上し、計算負荷の増加は許容範囲内であった。公開のリモートセンシング画像CDデータセットを用いた実験結果から、本手法は複数の最先端手法を上回る性能を示した。