변화 감지(Change Detection, CD)는 서로 다른 시점에서 촬영된 이미지 쌍에서 발생한 변화를 식별하는 것을 목표로 합니다. 기존 방법들은 픽셀 수준의 변화 마스크를 예측하기 위해 처음부터 특정 네트워크를 설계하였으나, 일반적인 세그멘테이션 문제에 어려움을 겪었습니다. 본 논문에서는 CD를 의미론적 세그멘테이션으로 축소하는 새로운 패러다임을 제안합니다. 이는 기존의 강력한 의미론적 세그멘테이션 네트워크를 활용하여 CD 문제를 해결하는 것을 의미합니다. 이 새로운 패러다임은 CD에서 일반적인 세그멘테이션 문제를 처리하기 위해 주류 의미론적 세그멘테이션 기술을 편리하게 활용할 수 있으므로, 우리는 변화 감지를 어떻게 수행할 것인지에 집중할 수 있습니다. 우리는 CD에서 다양한 변화 유형이 존재하며 이를 별도로 학습해야 한다는 새로운이고 중요한 통찰력을 제안합니다. 이를 바탕으로, 우리는 시간적 특성을 추출하고 융합하는 모듈인 MTF(Multi-Temporal Feature)를 설계하였습니다. MTF는 높은 해석 가능성을 가지며, CD의 본질적인 특성을 드러냅니다. 또한 대부분의 세그멘테이션 네트워크는 우리의 MTF 모듈을 통해 CD 문제를 해결하도록 적응시킬 수 있습니다. 마지막으로, 우리는 픽셀 수준에서 변화를 감지하는 C-3PO(C-3PO: Change Detection at Pixel-level) 네트워크를 제안합니다. C-3PO는 복잡한 기법 없이도 최고 성능을 달성하며, 단순하면서도 효과적이어서 이 분야에서 새로운 베이스라인으로 간주될 수 있습니다. 우리의 코드는 https://github.com/DoctorKey/C-3PO 에서 확인할 수 있습니다.