Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
Netryx-Astra-V2-Geolocation-Tool — Die weltweit anspruchsvollste Software zur Geolokalisierung von Straßenbildern | Kitploit
Tools/GitHubGitHub/sparkyniner/netryx-astra-v2-geolocation-tool
OSINT (Open-Source-Intelligence)AufklärungInformationsbeschaffungCTFMaschinelles LernenLernen & BildungKuratierte Ressourcen
GitHubsparkyniner/netryx-astra-v2-geolocation-tool
Teilen

Netryx-Astra-V2-Geolocation-Tool

Die weltweit anspruchsvollste Software zur Geolokalisierung von Straßenbildern

Repository anzeigen
71178197vor 22 TagenVon Kitploit geprüft

Image

Netryx Astra V2

Modernste KI-Geolokalisierung aus einem einzigen Bild.

Die Idee • So funktioniert es • Erste Schritte • Community-Hub • Installation

LinkedIn MegaLoc MASt3R License Python

Netryx Astra V2 in Aktion


Die Idee

Sie haben ein Foto. Vielleicht ist es ein Screenshot aus einem Video. Vielleicht ist es ein zugeschnittenes, unscharfes Handyfoto, das jemand online gepostet hat. Vielleicht zeigt es nur eine Ladenfront, ein Stück Straße oder die Ecke eines Gebäudes. Sie möchten genau wissen, wo es aufgenommen wurde.

Netryx Astra V2 beantwortet diese Frage.

Es ist ein Open-Source-Geolokalisierungssystem, das ein einzelnes Bild nimmt und die präzisen GPS-Koordinaten findet, indem es es mit einer Datenbank von Street-View-Panoramen abgleicht. Laden Sie Ihr Foto hoch, und innerhalb von Minuten nennt es Ihnen die Straße, die Stadt, die Koordinaten — auf wenige Meter genau.

Was V2 vom ursprünglichen Netryx (und von anderen verfügbaren Tools) unterscheidet, ist die Matching-Pipeline. Wir haben alles von Grund auf neu aufgebaut, mit zwei Modellen, die es noch nicht gab, als wir dieses Projekt begannen:

  • MegaLoc (CVPR 2025) — das genaueste Bild-Retrieval-Modell für Ortserkennung, trainiert auf sechs Datensätzen, die Innen-, Außen-, Tag-, Nacht- und saisonale Variationen abdecken. Es findet die richtige Nachbarschaft.

  • MASt3R (ECCV 2024) — ein 3D-bewusster dichter Matcher, der die Geometrie von Szenen versteht, nicht nur Pixelmuster. Es bestätigt den genauen Standort, selbst bei Teil- oder stark zugeschnittenen Fotos, die traditionelle Matcher scheitern lassen würden.

Das Ergebnis ist eine dreistufige Pipeline, die sowohl einfacher als auch genauer ist als das neunstufige System, das sie ersetzt hat.

Was sich gegenüber V1 geändert hat

Das ursprüngliche Netryx verwendete CosPlace für das Retrieval und einen Stapel aus DISK + LightGlue + LoFTR + RANSAC + Descriptor-Hopping + Neighborhood-Expansion für die Verifikation. Es funktionierte, war aber fragil — viele Heuristiken, die übereinander geschichtet waren, jede ein Workaround für eine Einschränkung der vorherigen Stufe.

V2 hat all das verworfen. Hier ist, was was ersetzt hat:

V1 (Original)V2 (Astra)
Kandidaten findenCosPlace (ResNet-50, 512-dim)MegaLoc (DINOv2 ViT-B/14, 8448-dim → PCA 1024)
Übereinstimmungen bestätigenDISK + LightGlue + RANSACMASt3R dichtes 3D-Matching
Umgang mit SonderfällenLoFTR-Fallback, Descriptor-Hopping, Neighborhood-Expansion, Ultra ModeRäumlicher Konsens — das war's
Gesamte Pipeline-Stufen9+3
Teilbild-MatchingSchwach — sparse Keypoints scheitern bei kleinen ÜberlappungenStark — MASt3R findet dichte Korrespondenzen in winzigen Regionen
Indexe teilenNicht möglichCommunity-Hub über Hugging Face + Offline-.netryx-Bundles

Die Vereinfachung ist nicht nur ästhetisch. Weniger Stufen bedeuten weniger Stellen, an denen etwas schiefgehen kann, schnellere Suchen und Code, der tatsächlich wartbar ist.

So funktioniert es

Die Pipeline hat drei Stufen. Das ist keine Übervereinfachung — es sind wirklich nur drei Stufen.

Query Image
     │
     ▼
┌─────────────┐
│   MegaLoc   │  "Where in the city could this be?"
│  Retrieval  │  
└─────┬───────┘
      │  Top 500 candidates
      ▼
┌─────────────┐
│   MASt3R    │  "Is this actually the same place?"
│   Matching  │  
└─────┬───────┘
      │  Scored candidates
      ▼
┌─────────────┐
│   Spatial   │  "Which cluster of matches is most trustworthy?"
│  Consensus  │  
└─────┬───────┘
      │
      ▼
  📍 GPS Coordinates

Stufe 1: MegaLoc-Retrieval

Ihr Abfragebild wird in einen kompakten Deskriptor umgewandelt – einen 8448-dimensionalen Vektor, der die visuelle Essenz der Szene erfasst. Dieser wird per PCA auf 1024 Dimensionen reduziert und dann über Dot-Product-Ähnlichkeit mit jedem indexierten Standort verglichen.

Wir extrahieren außerdem einen Deskriptor für einen leicht hineingezoomten mittleren Ausschnitt und für eine horizontal gespiegelte Version der Abfrage und führen die Ergebnisse dann zusammen. Dies deckt Fälle ab, in denen die Abfrage auf einer anderen Zoomstufe liegt oder in die entgegengesetzte Richtung zur indexierten Ansicht zeigt.

Die Ausgabe sind die 500 besten Kandidatenstandorte aus dem Index, sortiert nach visueller Ähnlichkeit.

MegaLoc stammt aus dem Labor von Gabriele Berton (dieselbe Gruppe, die CosPlace und EigenPlaces entwickelt hat). Es ist der neueste Beitrag ihrer Arbeit und wurde gleichzeitig auf SF-XL, GSV-Cities, MSLS und Landmark-Retrieval-Daten trainiert. Kein anderes Retrieval-Modell schlägt es durchgängig über alle Benchmarks hinweg – indoor, outdoor, städtisch, ländlich, Tag, Nacht.

Stufe 2: MASt3R Dense Matching

Für jeden dieser 500 Kandidaten laden wir das entsprechende Street-View-Panorama herunter, schneiden es im indexierten Blickwinkel zu und führen MASt3R aus, um dichte Pixelkorrespondenzen zwischen der Abfrage und dem Ausschnitt zu finden.

Hier geschieht die Magie bei schwierigen Abfragen. Traditionelle Matcher wie SuperPoint + LightGlue extrahieren vielleicht 500–2000 sparse Keypoints und versuchen, diese zuzuordnen. Wenn Ihr Abfragebild nur zu 20 % mit dem Datenbankbild überlappt, gibt es möglicherweise nur 50 gemeinsam sichtbare Keypoints – nicht genug für eine zuverlässige Übereinstimmung.

MASt3R funktioniert völlig anders. Es behandelt das Matching als 3D-Rekonstruktionsproblem und sagt dichte Punktkarten und lokale Feature-Deskriptoren für jedes Pixel voraus. Selbst ein kleiner überlappender Bereich erzeugt Hunderte zuverlässiger Korrespondenzen, weil es die 3D-Struktur der Szene versteht und nicht nur 2D-Pixelmuster.

Auf dem Map-free-Lokalisierungs-Benchmark (einzelnes Referenzbild, Blickwinkeländerungen bis zu 180°) übertrifft MASt3R frühere Methoden um 30 %. Das ist keine inkrementelle Verbesserung – es ist ein Generationssprung.

Stufe 3: Räumlicher Konsens

Hier ist das Problem, einfach den Kandidaten mit dem höchsten Match-Score auszuwählen: Es gibt False Positives. Zwei identische Kettenrestaurants 5 km voneinander entfernt erzeugen beide hohe MASt3R-Scores. Eine Reihe sowjetischer Plattenbauten sieht alle gleich aus.

Räumlicher Konsens löst dies. Wir unterteilen das Suchgebiet in etwa 50-Meter-Rasterzellen und clustern alle guten Übereinstimmungen geografisch. Jede Zelle erhält einen Score basierend auf den kombinierten Belegen aller Übereinstimmungen in dieser Zelle und ihren Nachbarn.

Ein einzelner Ausreißer mit 200 Inliers am falschen Ort wird von einem Cluster aus 5 Übereinstimmungen mit jeweils 80–150 Inliers am richtigen Ort übertroffen. Die beste Übereinstimmung des Gewinner-Clusters wird zur endgültigen Antwort.

Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    755
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    510
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    415
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    343
  • 5

    antifox

    antifox-ai/antifox

    KI-Multi-Agenten-Plattform für autonome Penetrationstests, die Recon, Angriffsflächen-Erkennung, Exploit-Validierung und evidenzbasierte Berichtserstellung durchführt.

    259
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Das System der Handlung für KI-native Cybersicherheit – wo Absicht zu gesteuerter Ausführung wird, Beweise zu operativem Gedächtnis werden und jeder Einsatz den nächsten verbessert.

    258

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →