変化検出はリモートセンシング（RS）画像解析における重要なタスクであり、自然災害のモニタリングおよび評価、土地資源計画など多岐にわたる分野で広く応用されている。ピクセル単位の予測タスクとしての変化検出は、元の位置情報の有効活用に敏感である。近年の変化検出手法は、深層の変化意味特徴の抽出に注力しているが、高解像度かつ細粒度な特徴を含む浅層情報の重要性を軽視しがちである。このため、変化対象のエッジ部におけるピクセルの不確実性や、小さな対象の検出漏れが頻発する問題が生じる。本稿では、変化検出に向けた密結合型シメイズネットワーク、すなわちSNUNet-CD（シメイズネットワークとNestedUNetの統合構造）を提案する。SNUNet-CDは、エンコーダとデコーダ間、およびデコーダ同士間における情報のコンパクトな伝達により、ニューラルネットワークの深層における局所化情報の喪失を緩和する。さらに、深層監視を実現するため、エンセムブルチャネルアテンションモジュール（ECAM）を導入した。ECAMにより、異なる意味レベルにおける最も代表的な特徴が精緻化され、最終的な分類に活用される。実験結果から、本手法は多くの評価指標において顕著な向上を示し、他の最先端（SOTA）手法と比較して、精度と計算量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た。