분쟁 피해를 정확하고 신속하게 평가하는 것은 인도적 지원과 지역 안정을 위해 매우 중요합니다. 본 연구는 분쟁 지역에서 손상된 영역이 유사한 건축 양식을 공유하고, 손상이 작은 영역에 걸쳐 있으며, 경계가 모호하다는 점에 주목하여, 제한된 데이터, 주석 어려움 및 높은 클래스 내 유사성, 모호한 의미적 변화와 같은 인지적 과제를 해결하고자 합니다. 이를 위해 사전 훈련된 DINOv3 모델과 MC-DiSNet(multi-scale cross-attention difference siamese network)을 제안합니다. DINOv3의 강력한 시각적 표현 능력은 양시점 원격 감지 이미지로부터 견고하고 풍부한 특징 추출을 가능하게 합니다. 또한, 2023-2024년 고해상도 위성 이미지 쌍과 픽셀 수준의 의미적 변화 주석이 포함된 새로운 Gaza-Change 데이터 세트를 공개합니다. 전통적인 의미적 변화 감지(SCD)와 달리, 본 연구는 양시점 이미지의 대규모 의미적 주석 필요성을 제거하고 변화된 영역에 직접 집중하는 change semantic detection(CSD)이라는 새로운 작업을 정의합니다. CSD는 이진 변화 감지(BCD)의 직접적인 확장으로, 의미적 영역의 제한된 공간적 범위로 인해 전통적인 SCD 작업보다 더 큰 과제를 제시합니다. Gaza-Change 및 SECOND 데이터 세트에서 CSD 프레임워크 내에서 제안된 방법을 평가했으며, 실험 결과는 제안된 접근 방식이 CSD 작업을 효과적으로 해결하고, 분쟁 지역의 신속한 피해 평가에 실질적인 적용을 위한 길을 열었음을 보여줍니다.
