본 논문은 무인 항공기(UAV)의 정확한 위치 확인을 위한 UAV-View Geo-Localization (UVGL) 방법을 제안합니다. 기존의 지도 학습 기반 UVGL 방법들은 높은 주석 비용과 확장성의 한계를 가지는데, 본 논문에서는 이러한 문제를 해결하기 위해 자기 지도 학습 기반의 end-to-end UVGL 방법을 제시합니다. 얕은 백본 네트워크를 사용하여 초기 특징을 추출하고, 클러스터링을 통해 의사 레이블을 생성하며, 이중 경로 대조 학습 구조를 통해 차별적인 뷰 내 표현을 학습합니다. 또한, 동적 계층적 메모리 학습 모듈과 정보 일관성 진화 학습 모듈을 도입하여 뷰 내 특징 일관성 및 차별성을 향상시키고, 뷰 간 의미적 상관 관계를 포착하여 뷰 간 특징 정렬을 개선합니다. 의사 레이블 개선 전략을 통해 자기 지도 학습 과정을 안정화하고 강화하여 최종적으로 자기 지도 학습 환경에서 통합된 뷰 간 특징 표현 공간을 구축합니다. 세 개의 공개 벤치마크 데이터셋에 대한 실험 결과, 제안된 방법이 기존의 자기 지도 학습 방법들을 능가하고 심지어 여러 최첨단 지도 학습 방법들을 뛰어넘는 성능을 보임을 확인했습니다.
