Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
Netryx-Astra-V2-Geolocation-Tool — Le logiciel de géolocalisation d'images de rue le plus sophistiqué au monde | Kitploit
Outils/GitHubGitHub/sparkyniner/netryx-astra-v2-geolocation-tool
OSINT (Renseignement de Sources Ouvertes)ReconnaissanceCollecte d'InformationsCTFApprentissage AutomatiqueApprentissage et ÉducationRessources Organisées
GitHub
Partager
sparkyniner/netryx-astra-v2-geolocation-tool

Netryx-Astra-V2-Geolocation-Tool

Le logiciel de géolocalisation d'images de rue le plus sophistiqué au monde

Voir le dépôt
71178197il y a 22 joursVérifié par Kitploit

Image

Netryx Astra V2

Géolocalisation par IA de pointe à partir d'une seule image.

L'idée • Comment ça marche • Premiers pas • Community Hub • Installation

LinkedIn MegaLoc MASt3R License Python

Netryx Astra V2 en action


L'idée

Vous avez une photographie. Peut-être une capture d'écran tirée d'une vidéo. Peut-être une photo de téléphone recadrée et floue que quelqu'un a publiée en ligne. Peut-être qu'elle ne montre qu'une devanture de magasin, un tronçon de route ou l'angle d'un bâtiment. Vous voulez savoir exactement où elle a été prise.

Netryx Astra V2 répond à cette question.

C'est un système de géolocalisation open source qui prend une seule image et trouve les coordonnées GPS précises en la comparant à une base de données de panoramas de type street-view. Téléversez votre photo, et en quelques minutes il vous indique la rue, la ville, les coordonnées — à quelques mètres près.

Ce qui distingue la V2 de la Netryx originale (et des autres outils existants), c'est le pipeline de mise en correspondance. Nous avons tout reconstruit de zéro en utilisant deux modèles qui n'existaient pas lorsque nous avons lancé ce projet :

  • MegaLoc (CVPR 2025) — le modèle de recherche d'images le plus précis pour la reconnaissance de lieux, entraîné sur six jeux de données couvrant les variations intérieures, extérieures, de jour, de nuit et saisonnières. Il trouve le bon quartier.

  • MASt3R (ECCV 2024) — un matcher dense conscient de la 3D qui comprend la géométrie des scènes, et pas seulement les motifs de pixels. Il confirme l'emplacement exact, même à partir de photos partielles ou fortement recadrées qui feraient échouer les matchers traditionnels.

Le résultat est un pipeline en trois étapes, à la fois plus simple et plus précis que le système en neuf étapes qu'il remplace.

Ce qui a changé depuis la V1

La Netryx originale utilisait CosPlace pour la recherche et un empilement de DISK + LightGlue + LoFTR + RANSAC + saut de descripteurs + expansion de voisinage pour la vérification. Cela fonctionnait, mais c'était fragile — beaucoup d'heuristiques superposées les unes aux autres, chacune étant un contournement d'une limitation de l'étape précédente.

La V2 a tout jeté. Voici ce qui a remplacé quoi :

V1 (Originale)V2 (Astra)
Recherche de candidatsCosPlace (ResNet-50, 512-dim)MegaLoc (DINOv2 ViT-B/14, 8448-dim → PCA 1024)
Confirmation des correspondancesDISK + LightGlue + RANSACMise en correspondance 3D dense MASt3R
Gestion des cas limitesRepli sur LoFTR, saut de descripteurs, expansion de voisinage, Ultra ModeConsensus spatial — c'est tout
Nombre total d'étapes du pipeline9+3
Correspondance sur image partielleFaible — les points clés épars échouent sur de petits recouvrementsForte — MASt3R trouve des correspondances denses dans de minuscules régions
Partage d'indexImpossibleCommunity Hub via Hugging Face + bundles .netryx hors ligne

La simplification n'est pas seulement esthétique. Moins d'étapes signifie moins d'endroits où les choses peuvent mal tourner, des recherches plus rapides et un code réellement maintenable.

Comment ça marche

Le pipeline comporte trois étapes. Ce n'est pas une simplification abusive — il n'y a vraiment que trois étapes.

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

Étape 1 : Récupération MegaLoc

Votre image de requête est convertie en un descripteur compact — un vecteur de 8448 dimensions qui capture l'essence visuelle de la scène. Celui-ci est réduit par PCA à 1024 dimensions, puis comparé à chaque lieu indexé via une similarité par produit scalaire.

Nous extrayons également un descripteur pour un recadrage central légèrement zoomé et pour une version retournée horizontalement de la requête, puis nous fusionnons les résultats. Cela gère les cas où la requête se trouve à un niveau de zoom différent ou orientée dans la direction opposée à la vue indexée.

La sortie est constituée des 500 meilleurs lieux candidats de l'index, classés par similarité visuelle.

MegaLoc provient du laboratoire de Gabriele Berton (le même groupe qui a créé CosPlace et EigenPlaces). C'est le dernier-né de leur lignée de travaux, entraîné simultanément sur SF-XL, GSV-Cities, MSLS et des données de récupération de points de repère. Aucun autre modèle de récupération ne le surpasse systématiquement sur tous les benchmarks — intérieur, extérieur, urbain, rural, jour, nuit.

Étape 2 : Appariement dense MASt3R

Pour chacun de ces 500 candidats, nous téléchargeons le panorama street-view correspondant, le recadrons à l'angle de cap indexé, et exécutons MASt3R pour trouver des correspondances denses pixel à pixel entre la requête et le recadrage.

C'est là que la magie opère pour les requêtes difficiles. Les appariements traditionnels comme SuperPoint + LightGlue extraient peut-être 500 à 2000 points clés épars et tentent de les apparier. Si votre image de requête ne chevauche que 20 % avec l'image de la base de données, il pourrait n'y avoir que 50 points clés co-visibles — pas assez pour un appariement fiable.

MASt3R fonctionne de manière complètement différente. Il traite l'appariement comme un problème de reconstruction 3D, en prédisant des cartes de points denses et des descripteurs de caractéristiques locales pour chaque pixel. Même une petite région de chevauchement produit des centaines de correspondances fiables, car il comprend la structure 3D de la scène, et pas seulement les motifs de pixels 2D.

Sur le benchmark de localisation sans carte (image de référence unique, changements de point de vue jusqu'à 180°), MASt3R surpasse les méthodes précédentes de 30 %. Ce n'est pas une amélioration incrémentale — c'est un saut générationnel.

Étape 3 : Consensus spatial

Voici le problème si l'on se contente de choisir le candidat ayant le meilleur score d'appariement : les faux positifs existent. Deux restaurants de chaîne identiques à 5 km l'un de l'autre produiront tous deux des scores MASt3R élevés. Une rangée d'immeubles d'habitation de l'ère soviétique se ressemblent tous.

Le consensus spatial résout cela. Nous divisons la zone de recherche en cellules de grille d'environ 50 mètres et regroupons toutes les bonnes correspondances géographiquement. Chaque cellule obtient un score basé sur les preuves combinées de toutes les correspondances dans cette cellule et ses voisines.

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    576
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    477
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    388
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    330
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    255
  • 6

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    247

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →