본 논문은 드론 시점 지리적 위치 파악(DVGL) 문제를 해결하기 위해, 사전 학습된 드론-위성 이미지 쌍에 의존하지 않는 자기지도 학습 방법을 제안한다. 특히, 분포 변화에 적응하기 위해 새로운 쌍의 샘플이 필요한 기존의 지도 학습 방식의 한계를 극복하고자 한다. 제안하는 DMNIL(Dynamic Memory-driven and Neighborhood Information Learning) 방법은 유사 레이블 생성, 듀얼 패스 대조 학습, 동적 계층적 메모리 학습(DHML) 모듈, 정보 일관성 진화 학습(ICEL) 모듈, 그리고 유사 레이블 향상 전략을 활용한다. 3개의 공개 벤치마크 데이터셋에서 실험을 통해, 기존의 자기지도 학습 방법 및 일부 지도 학습 방법보다 뛰어난 성능을 보임을 입증했다.
