深層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画像の変化検出（Change Detection: CD）において大きな成功を収めてきたが、依然として2つの主要な課題に直面している。第一に、従来のマルチスケール特徴融合手法はしばしば冗長な特徴抽出および融合戦略を採用しており、これにより計算コストとメモリ使用量が高くなる傾向にある。第二に、CDにおける従来の通常のアテンション機構は、空間的・スペクトル的特徴を同時にモデル化し、3次元のアテンション重みを生成することが困難であり、空間特徴とスペクトル特徴の協調性を無視している。これらの課題に対処するため、本稿では、リモートセンシング画像の変化検出に向けた効率的かつ超軽量な空間・スペクトル特徴協調ネットワーク（Ultralightweight Spatial–Spectral Feature Cooperation Network: USSFC-Net）を提案する。提案手法USSFC-Netには以下の2つの主要な利点がある。第一に、サイクリックマルチスケール畳み込みを用いて変化対象のマルチスケール特徴を柔軟に捉えることができる、マルチスケール分離畳み込み（Multiscale Decoupled Convolution: MSDConv）を設計した。これは、広く用いられているアトラス空間ピラミッドプーリング（Atrous Spatial Pyramid Pooling: ASPP）モジュールやその変種とは明確に異なる。さらに、MSDConvの設計により、パラメータ数および計算の冗長性を大幅に削減できる。第二に、効率的な空間・スペクトル特徴協調（Spatial–Spectral Feature Cooperation: SSFC）戦略を導入し、より豊かな特徴表現を獲得している。SSFCは従来の2次元アテンション機構とは異なり、追加のパラメータを一切追加せずに、3次元の空間・スペクトルアテンション重みを学習可能である。3つ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、提案手法USSFC-Netは、多数のCNNベースの手法よりも高い変化検出精度を達成するとともに、計算コストとパラメータ数が低く抑えられており、一部のTransformerベースの手法よりも優れた性能を示した。コードは以下のGitHubリポジトリで公開されている：https://github.com/SUST-reynole/USSFC-Net。