본 논문은 드론의 정확한 위치 확인을 위한 드론 뷰 지리적 위치 확인(DVGL) 문제를 다룬다. 기존 DVGL 방법들은 지도학습을 위해 드론 영상과 위성 영상의 엄격한 사전 페어링에 의존하며, 지역 변화 시 새로운 페어링된 샘플이 필요하여 실세계 적용에 어려움이 있다. 이를 해결하기 위해, 본 논문은 얕은 백본 네트워크를 사용하는 end-to-end 자기 지도 학습 방법을 제안한다. 클러스터링 알고리즘으로 의사 레이블을 생성하고, 이중 경로 대조 학습 프레임워크를 사용하여 차별적인 관점 내 표현을 학습한다. 동적 계층적 메모리 학습 모듈(DHML)과 정보 일관성 진화 학습 모듈(ICEL)을 통해 관점 내 특징 일관성 및 차별성을 향상시키고, 이웃 기반 동적 제약 메커니즘을 이용하여 관점 간 의미적 상관관계를 포착하여 관점 간 특징 정렬을 개선한다. 또한 의사 레이블 개선 전략을 통해 자기 지도 학습 과정을 안정화하고 강화한다. 세 개의 공개 벤치마크 데이터셋에서의 실험 결과, 제안된 방법이 기존 자기 지도 학습 방법들을 능가하고 심지어 몇몇 최첨단 지도 학습 방법들을 뛰어넘는 성능을 보였다.