Актуальность исследования обусловлена ростом объемов уличных снимков и необходимостью их автоматической географической привязки без использования GPS-метаданных. В связи с этим статья направлена на оценку возможности определения координат фотографий в пределах одного города с помощью глубоких нейросетей. Ведущим методом исследования является применение сверточных нейросетей ResNet18 и ResNet50 для регрессии широты и долготы по кадрам размером 512×512 пикселей. Для сбора данных использована открытая платформа Mapillary, а для равномерного покрытия территории Уфы разработана программа с разбиением города на сетку из 10 000 ячеек. Всего собрано 88 798 изображений с точной привязкой к координатам. В статье представлены количественные результаты обучения моделей. Модель на базе ResNet50 достигает медианной ошибки локализации около 3,1 км после 13 эпох, при этом 92,6 % предсказаний попадают в радиус 10 км от истинного положения. Методом Smooth Grad‑CAM визуализированы области, на которые модель опирается при определении координат; показано, что модель фокусируется на фасадах зданий, перекрестках и дорожной разметке. Материалы статьи представляют практическую ценность для систем автоматической геопривязки больших массивов уличных фотографий. Работа также предлагает воспроизводимый пайплайн для городской геолокации и анализирует поведенческое внимание нейросетей в данной задаче.
The relevance of this study is driven by the growing volume of street‑level imagery and the need for automatic georeferencing without relying on GPS metadata. Accordingly, this paper aims to assess the feasibility of determining photograph coordinates within a single city using deep neural networks. The leading research method is the application of convolutional neural networks ResNet18 and ResNet50 for latitude and longitude regression from 512×512-pixel frames. Data were collected using the open Mapillary platform, and a custom program with a 10,000‑cell grid was developed to ensure uniform coverage of Ufa. A total of 88,798 geotagged images were collected. The paper presents quantitative results of model training. The ResNet50‑based model achieves a median localization error of approximately 3.1 km after 13 epochs, with 92.6% of predictions falling within a 10 km radius of the ground truth. Smooth Grad‑CAM visualizations reveal that the model focuses on building facades, intersections, road markings, and other infrastructure elements – semantically meaningful landmarks for urban geolocation. The materials of the article are of practical value for automatic georeferencing systems for large collections of street‑level imagery and for the development of visual localization methods for autonomous vehicles. The work also provides a reproducible pipeline for city‑level image geolocation and analyses the behavioral attention of convolutional neural networks in this task.
The authors declare that there are no conflicts of interest present.