Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
Netryx-Astra-V2-Geolocation-Tool — Il software più sofisticato al mondo per la geolocalizzazione di immagini a livello stradale | Kitploit
Strumenti/GitHubGitHub/sparkyniner/netryx-astra-v2-geolocation-tool
OSINT (Open Source Intelligence)RicognizioneRaccolta InformazioniCTFMachine LearningApprendimento e FormazioneRisorse Curate
GitHubsparkyniner/netryx-astra-v2-geolocation-tool
Condividi

Netryx-Astra-V2-Geolocation-Tool

Il software più sofisticato al mondo per la geolocalizzazione di immagini a livello stradale

Vedi Repository
7117819723 giorni faRevisionato da Kitploit

Image

Netryx Astra V2

Geolocalizzazione AI all'avanguardia da una singola immagine.

L'Idea • Come Funziona • Per Iniziare • Community Hub • Installazione

LinkedIn MegaLoc MASt3R License Python

Netryx Astra V2 in azione


L'Idea

Hai una fotografia. Magari è uno screenshot da un video. Magari è una foto ritagliata e sfocata scattata col telefono che qualcuno ha pubblicato online. Magari mostra solo una vetrina, un tratto di strada o l'angolo di un edificio. Vuoi sapere esattamente dove è stata scattata.

Netryx Astra V2 risponde a questa domanda.

È un sistema di geolocalizzazione open-source che prende una singola immagine e trova le coordinate GPS precise confrontandola con un database di panorami street-view. Carica la tua foto e nel giro di pochi minuti ti dice la strada, la città, le coordinate — con una precisione di pochi metri.

Ciò che rende la V2 diversa dalla Netryx originale (e dagli altri strumenti in circolazione) è la pipeline di matching. Abbiamo ricostruito tutto da zero usando due modelli che non esistevano quando abbiamo iniziato questo progetto:

  • MegaLoc (CVPR 2025) — il modello di image retrieval più accurato per il riconoscimento dei luoghi, addestrato su sei dataset che coprono ambienti interni, esterni, giorno, notte e variazioni stagionali. Trova il quartiere giusto.

  • MASt3R (ECCV 2024) — un matcher denso con consapevolezza 3D che comprende la geometria delle scene, non solo i pattern dei pixel. Conferma la posizione esatta, anche da foto parziali o pesantemente ritagliate che manderebbero in crisi i matcher tradizionali.

Il risultato è una pipeline in tre fasi che è al tempo stesso più semplice e più accurata del sistema in nove fasi che ha sostituito.

Cosa È Cambiato dalla V1

La Netryx originale usava CosPlace per il retrieval e una pila di DISK + LightGlue + LoFTR + RANSAC + descriptor hopping + espansione del vicinato per la verifica. Funzionava, ma era fragile — molte euristiche sovrapposte l'una all'altra, ciascuna un espediente per aggirare un limite della fase precedente.

La V2 ha buttato via tutto questo. Ecco cosa ha sostituito cosa:

V1 (Originale)V2 (Astra)
Ricerca dei candidatiCosPlace (ResNet-50, 512-dim)MegaLoc (DINOv2 ViT-B/14, 8448-dim → PCA 1024)
Conferma dei matchDISK + LightGlue + RANSACMatching denso 3D con MASt3R
Gestione dei casi limiteFallback LoFTR, descriptor hopping, espansione del vicinato, Ultra ModeConsenso spaziale — tutto qui
Fasi totali della pipeline9+3
Matching di immagini parzialiDebole — i keypoint sparsi falliscono su piccole sovrapposizioniForte — MASt3R trova corrispondenze dense in regioni minuscole
Condivisione degli indiciNon possibileCommunity Hub tramite Hugging Face + bundle .netryx offline

La semplificazione non è solo estetica. Meno fasi significa meno punti in cui le cose possono andare storte, ricerche più veloci e codice effettivamente manutenibile.

Come Funziona

La pipeline ha tre fasi. Non è una semplificazione eccessiva — sono davvero solo tre fasi.

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

Fase 1: Retrieval con MegaLoc

L'immagine della tua query viene convertita in un descrittore compatto — un vettore a 8448 dimensioni che cattura l'essenza visiva della scena. Questo viene ridotto tramite PCA a 1024 dimensioni, poi confrontato con ogni posizione indicizzata tramite similarità a prodotto scalare.

Estraiamo inoltre un descrittore per un ritaglio centrale leggermente ingrandito e per una versione capovolta orizzontalmente della query, poi uniamo i risultati. Questo gestisce i casi in cui la query si trova a un livello di zoom diverso o è orientata nella direzione opposta rispetto alla vista indicizzata.

L'output è costituito dalle prime 500 posizioni candidate dall'indice, ordinate per similarità visiva.

MegaLoc proviene dal laboratorio di Gabriele Berton (lo stesso gruppo che ha realizzato CosPlace ed EigenPlaces). È l'ultimo arrivato nella loro linea di lavoro, addestrato simultaneamente su SF-XL, GSV-Cities, MSLS e dati di landmark retrieval. Nessun altro modello di retrieval lo batte costantemente su ogni benchmark — indoor, outdoor, urbano, rurale, giorno, notte.

Fase 2: Dense Matching con MASt3R

Per ciascuno di quei 500 candidati, scarichiamo il corrispondente panorama street-view, lo ritagliamo all'angolo di heading indicizzato ed eseguiamo MASt3R per trovare corrispondenze dense a livello di pixel tra la query e il ritaglio.

È qui che avviene la magia per le query difficili. I matcher tradizionali come SuperPoint + LightGlue estraggono forse 500-2000 keypoint sparsi e provano ad abbinarli. Se la tua immagine di query si sovrappone solo al 20% con l'immagine del database, potrebbero esserci solo 50 keypoint co-visibili — non abbastanza per un match affidabile.

MASt3R funziona in modo completamente diverso. Tratta il matching come un problema di ricostruzione 3D, prevedendo mappe di punti dense e descrittori di feature locali per ogni pixel. Anche una piccola regione sovrapposta produce centinaia di corrispondenze affidabili, perché comprende la struttura 3D della scena, non solo i pattern 2D dei pixel.

Sul benchmark di localizzazione Map-free (singola immagine di riferimento, cambi di punto di vista fino a 180°), MASt3R supera i metodi precedenti del 30%. Non è un miglioramento incrementale — è un salto generazionale.

Fase 3: Consenso Spaziale

Ecco il problema nel selezionare semplicemente il candidato con il punteggio di match più alto: esistono i falsi positivi. Due catene di ristoranti identiche a 5 km di distanza produrranno entrambe punteggi MASt3R elevati. Una fila di palazzoni sovietici si assomiglia tutta.

Il consenso spaziale risolve questo. Dividiamo l'area di ricerca in celle di griglia di ~50 metri e raggruppiamo tutti i buoni match geograficamente. Ogni cella riceve un punteggio basato sull'evidenza combinata di tutti i match in quella cella e nei suoi vicini.

Un singolo outlier con 200 inlier nella posizione sbagliata viene superato nel punteggio da un cluster di 5 match con 80-150 inlier ciascuno nella posizione corretta. Il miglior match del cluster vincente diventa la risposta finale.

Questo è il motivo per cui l'accuratezza regge anche a raggi di ricerca più ampi, dove ci sono più posizioni simili.

Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

Nessun dato di popolarità ancora.

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →