Skip to content
KitploitKITPLOIT
FerramentasExploitsBlog
Log in
Enviar
FerramentasExploitsBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

FeedsContatoPrivacidade© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
Netryx-Astra-V2-Geolocation-Tool — O software de geolocalização de imagens ao nível da rua mais sofisticado do mundo | Kitploit
Ferramentas/GitHubGitHub/sparkyniner/netryx-astra-v2-geolocation-tool
OSINT (Inteligência de Fontes Abertas)ReconhecimentoColeta de InformaçõesCTFAprendizado de MáquinaAprendizado e EducaçãoRecursos Curados
GitHubsparkyniner/netryx-astra-v2-geolocation-tool
Compartilhar

Netryx-Astra-V2-Geolocation-Tool

O software de geolocalização de imagens ao nível da rua mais sofisticado do mundo

Ver Repositório
71178197há 22 diasRevisado pelo Kitploit

Image

Netryx Astra V2

Geolocalização por IA de última geração a partir de uma única imagem.

A Ideia • Como Funciona • Primeiros Passos • Community Hub • Instalação

LinkedIn MegaLoc MASt3R License Python

Netryx Astra V2 em ação


A Ideia

Você tem uma fotografia. Talvez seja um screenshot de um vídeo. Talvez seja uma foto de celular recortada e desfocada que alguém postou online. Talvez mostre apenas uma fachada de loja, um trecho de estrada ou a esquina de um prédio. Você quer saber exatamente onde ela foi tirada.

O Netryx Astra V2 responde a essa pergunta.

É um sistema de geolocalização de código aberto que recebe uma única imagem e encontra as coordenadas GPS precisas ao compará-la com um banco de dados de panoramas de street view. Envie sua foto e, em poucos minutos, ele informa a rua, a cidade, as coordenadas — com precisão de poucos metros.

O que torna o V2 diferente do Netryx original (e de outras ferramentas por aí) é o pipeline de correspondência. Reconstruímos tudo do zero usando dois modelos que não existiam quando começamos este projeto:

  • MegaLoc (CVPR 2025) — o modelo de recuperação de imagens mais preciso para reconhecimento de lugares, treinado em seis conjuntos de dados que cobrem variações de ambientes internos, externos, dia, noite e estações do ano. Ele encontra o bairro certo.

  • MASt3R (ECCV 2024) — um matcher denso com consciência 3D que entende a geometria das cenas, não apenas padrões de pixels. Ele confirma a localização exata, mesmo a partir de fotos parciais ou fortemente recortadas que quebrariam matchers tradicionais.

O resultado é um pipeline de três etapas que é ao mesmo tempo mais simples e mais preciso do que o sistema de nove estágios que ele substituiu.

O Que Mudou em Relação ao V1

O Netryx original usava CosPlace para recuperação e uma pilha de DISK + LightGlue + LoFTR + RANSAC + troca de descritores + expansão de vizinhança para verificação. Funcionava, mas era frágil — muitas heurísticas sobrepostas, cada uma um contorno para uma limitação da etapa anterior.

O V2 descartou tudo isso. Veja o que substituiu o quê:

V1 (Original)V2 (Astra)
Encontrar candidatosCosPlace (ResNet-50, 512-dim)MegaLoc (DINOv2 ViT-B/14, 8448-dim → PCA 1024)
Confirmar correspondênciasDISK + LightGlue + RANSACCorrespondência densa 3D com MASt3R
Tratar casos extremosFallback LoFTR, troca de descritores, expansão de vizinhança, Ultra ModeConsenso espacial — só isso
Total de etapas do pipeline9+3
Correspondência de imagens parciaisFraca — keypoints esparsos falham em pequenas sobreposiçõesForte — MASt3R encontra correspondências densas em regiões minúsculas
Compartilhar índicesNão é possívelCommunity Hub via Hugging Face + pacotes .netryx offline

A simplificação não é apenas estética. Menos etapas significa menos lugares para as coisas darem errado, buscas mais rápidas e código que é de fato sustentável.

Como Funciona

O pipeline tem três etapas. Isso não é uma simplificação exagerada — são genuinamente apenas três etapas.

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

Etapa 1: Recuperação com MegaLoc

Sua imagem de consulta é convertida em um descritor compacto — um vetor de 8448 dimensões que captura a essência visual da cena. Este é reduzido por PCA para 1024 dimensões e, em seguida, comparado com cada localização indexada por meio de similaridade de produto escalar.

Também extraímos um descritor para um recorte central ligeiramente ampliado e para uma versão invertida horizontalmente da consulta, e então mesclamos os resultados. Isso lida com casos em que a consulta está em um nível de zoom diferente ou voltada para a direção oposta à da visualização indexada.

A saída são as 500 principais localizações candidatas do índice, classificadas por similaridade visual.

O MegaLoc é do laboratório de Gabriele Berton (o mesmo grupo que criou o CosPlace e o EigenPlaces). É o mais recente de sua linha de trabalho, treinado simultaneamente em SF-XL, GSV-Cities, MSLS e dados de recuperação de pontos de referência. Nenhum outro modelo de recuperação o supera consistentemente em todos os benchmarks — interno, externo, urbano, rural, dia, noite.

Etapa 2: Correspondência Densa com MASt3R

Para cada um desses 500 candidatos, baixamos o panorama de visão de rua correspondente, recortamos no ângulo de direção indexado e executamos o MASt3R para encontrar correspondências densas de pixels entre a consulta e o recorte.

É aqui que a mágica acontece para consultas difíceis. Correspondedores tradicionais como SuperPoint + LightGlue extraem talvez 500-2000 keypoints esparsos e tentam combiná-los. Se sua imagem de consulta tiver apenas 20% de sobreposição com a imagem do banco de dados, pode haver apenas 50 keypoints co-visíveis — não o suficiente para uma correspondência confiável.

O MASt3R funciona de maneira completamente diferente. Ele trata a correspondência como um problema de reconstrução 3D, prevendo mapas de pontos densos e descritores de características locais para cada pixel. Mesmo uma pequena região sobreposta produz centenas de correspondências confiáveis, porque ele entende a estrutura 3D da cena, não apenas padrões de pixels 2D.

No benchmark de localização sem mapa (imagem de referência única, mudanças de ponto de vista de até 180°), o MASt3R supera os métodos anteriores em 30%. Isso não é uma melhoria incremental — é um salto geracional.

Etapa 3: Consenso Espacial

Aqui está o problema de simplesmente escolher o candidato com a maior pontuação de correspondência: existem falsos positivos. Dois restaurantes de rede idênticos a 5 km de distância produzirão altas pontuações do MASt3R. Uma fileira de blocos de apartamentos da era soviética parece toda igual.

O consenso espacial resolve isso. Dividimos a área de busca em células de grade de ~50 metros e agrupamos todas as boas correspondências geograficamente. Cada célula recebe uma pontuação baseada na evidência combinada de todas as correspondências naquela célula e em seus vizinhos.

Um único outlier com 200 inliers no local errado é superado por um agrupamento de 5 correspondências com 80-150 inliers cada no local correto. A melhor correspondência do agrupamento vencedor se torna a resposta final.

É por isso que a precisão se mantém mesmo em raios de busca maiores, onde há mais localizações semelhantes.

Baixar ferramenta

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

Sem dados de popularidade ainda.

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →