Skip to content
KitploitKITPLOIT
ИнструментыЭксплойтыБлог
Log in
Отправить
ИнструментыЭксплойтыБлог
Отправить

Инструменты для хакинга, пентеста и кибербезопасности — ваш арсенал защиты!

Kitploit — это каталог инструментов для хакинга, кибербезопасности и пентестинга. Находите последние обновления проектов для поиска уязвимостей, анализа систем, автоматизации тестирования и усиления вашей безопасности.

ЛентыКонтактыКонфиденциальность© 2026 Kitploit

Каталог инструментов

Категории

Все категории
Loading categories
Netryx-Astra-V2-Geolocation-Tool — Самое совершенное в мире программное обеспечение для геолокации изображений на уровне улиц | Kitploit
Инструменты/GitHubGitHub/sparkyniner/netryx-astra-v2-geolocation-tool
OSINT (Разведка открытых источников)РазведкаСбор информацииCTFМашинное ОбучениеОбучение и ОбразованиеПодобранные Ресурсы
GitHubsparkyniner/netryx-astra-v2-geolocation-tool
Поделиться

Netryx-Astra-V2-Geolocation-Tool

Самое совершенное в мире программное обеспечение для геолокации изображений на уровне улиц

Репозиторий
7117819722 дней назадПроверено Kitploit

Image

Netryx Astra V2

Геолокация на основе ИИ передового уровня по одному изображению.

Идея • Как это работает • Начало работы • Community Hub • Установка

LinkedIn MegaLoc MASt3R License Python

Netryx Astra V2 в действии


Идея

У вас есть фотография. Возможно, это скриншот из видео. Возможно, это обрезанное размытое фото с телефона, которое кто-то выложил в сеть. Возможно, на нём изображена всего лишь витрина магазина, участок дороги или угол здания. Вы хотите узнать, где именно она была сделана.

Netryx Astra V2 отвечает на этот вопрос.

Это система геолокации с открытым исходным кодом, которая берёт одно изображение и находит точные GPS-координаты, сопоставляя его с базой данных панорам улиц. Загрузите своё фото, и в течение нескольких минут она сообщит вам улицу, город, координаты — с точностью до нескольких метров.

Что отличает V2 от оригинального Netryx (и от других инструментов) — это конвейер сопоставления. Мы перестроили всё с нуля, используя две модели, которых не существовало, когда мы начинали этот проект:

  • MegaLoc (CVPR 2025) — самая точная модель поиска изображений для распознавания мест, обученная на шести наборах данных, охватывающих помещения, улицу, день, ночь и сезонные изменения. Она находит нужный район.

  • MASt3R (ECCV 2024) — 3D-осведомлённый плотный матчер, который понимает геометрию сцен, а не только пиксельные паттерны. Он подтверждает точное местоположение даже по частичным или сильно обрезанным фотографиям, которые сломали бы традиционные матчеры.

В результате получился трёхэтапный конвейер, который одновременно проще и точнее девятиэтапной системы, которую он заменил.

Что изменилось по сравнению с V1

Оригинальный Netryx использовал CosPlace для поиска и стек из DISK + LightGlue + LoFTR + RANSAC + перебора дескрипторов + расширения окрестностей для верификации. Это работало, но было хрупким — множество эвристик, наложенных друг на друга, каждая из которых была обходным путём для ограничения предыдущего этапа.

V2 отбросил всё это. Вот что заменило что:

V1 (оригинал)V2 (Astra)
Поиск кандидатовCosPlace (ResNet-50, 512-мерный)MegaLoc (DINOv2 ViT-B/14, 8448-мерный → PCA 1024)
Подтверждение совпаденийDISK + LightGlue + RANSACПлотное 3D-сопоставление MASt3R
Обработка крайних случаевРезервный LoFTR, перебор дескрипторов, расширение окрестностей, Ultra ModeПространственный консенсус — и всё
Всего этапов конвейера9+3
Сопоставление частичных изображенийСлабое — разреженные ключевые точки не справляются с малыми перекрытиямиСильное — MASt3R находит плотные соответствия в крошечных областях
Обмен индексамиНевозможенCommunity Hub через Hugging Face + офлайн-пакеты .netryx

Упрощение — это не только эстетика. Меньше этапов означает меньше мест, где что-то может пойти не так, более быстрый поиск и код, который действительно поддерживаем.

Как это работает

В конвейере три этапа. Это не чрезмерное упрощение — их действительно всего три.

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

Этап 1: Поиск с помощью MegaLoc

Ваше изображение-запрос преобразуется в компактный дескриптор — 8448-мерный вектор, который отражает визуальную суть сцены. Затем он уменьшается с помощью PCA до 1024 измерений и сравнивается с каждым проиндексированным местоположением через скалярное произведение (сходство).

Мы также извлекаем дескриптор для слегка увеличенной центральной обрезки и для горизонтально отражённой версии запроса, после чего объединяем результаты. Это помогает в случаях, когда запрос находится на другом уровне масштабирования или направлен в противоположную сторону от проиндексированного вида.

На выходе получаются 500 лучших кандидатов из индекса, ранжированных по визуальному сходству.

MegaLoc создан в лаборатории Габриэле Бертона (той же группой, что сделала CosPlace и EigenPlaces). Это последняя работа в их линейке, обученная одновременно на данных SF-XL, GSV-Cities, MSLS и данных для поиска достопримечательностей. Ни одна другая модель поиска не превосходит её стабильно на всех бенчмарках — в помещении, на улице, в городе, в сельской местности, днём и ночью.

Этап 2: Плотное сопоставление с помощью MASt3R

Для каждого из этих 500 кандидатов мы скачиваем соответствующую панораму уличного вида, обрезаем её под проиндексированный угол направления и запускаем MASt3R, чтобы найти плотные попиксельные соответствия между запросом и обрезкой.

Именно здесь происходит магия для сложных запросов. Традиционные матчеры вроде SuperPoint + LightGlue извлекают, возможно, 500–2000 разреженных ключевых точек и пытаются их сопоставить. Если ваше изображение-запрос перекрывается с изображением из базы всего на 20%, совместно видимых ключевых точек может быть лишь 50 — недостаточно для надёжного сопоставления.

MASt3R работает совершенно иначе. Он рассматривает сопоставление как задачу 3D-реконструкции, предсказывая плотные карты точек и локальные дескрипторы признаков для каждого пикселя. Даже небольшая перекрывающаяся область даёт сотни надёжных соответствий, потому что модель понимает 3D-структуру сцены, а не только 2D-паттерны пикселей.

На бенчмарке локализации без карт (одно эталонное изображение, изменения точки обзора до 180°) MASt3R превосходит предыдущие методы на 30%. Это не постепенное улучшение — это скачок на поколение.

Этап 3: Пространственный консенсус

Вот в чём проблема простого выбора кандидата с наивысшим баллом совпадения: существуют ложные срабатывания. Два одинаковых сетевых ресторана в 5 км друг от друга оба дадут высокие оценки MASt3R. Ряд советских панельных домов выглядит одинаково.

Пространственный консенсус решает эту проблему. Мы делим область поиска на ячейки сетки размером ~50 метров и кластеризуем все хорошие совпадения географически. Каждая ячейка получает оценку на основе совокупных свидетельств от всех совпадений в этой ячейке и её соседях.

Одиночный выброс с 200 инлайерами в неверном месте проигрывает по оценке кластеру из 5 совпадений с 80–150 инлайерами каждое в правильном месте. Лучшее совпадение из победившего кластера становится финальным ответом.

Именно поэтому точность сохраняется даже при больших радиусах поиска, где больше похожих местоположений.

Скачать инструмент

Популярное

Смотреть все →

Откройте для себя самые используемые инструменты нашего сообщества.

Данных о популярности пока нет.

Изучить все инструменты

Просмотрите нашу коллекцию инструментов

Смотреть все инструменты →