Para enfrentar os desafios de correspondência causados por diferenças significativas em escala, perspectiva e modalidade entre imagens de satélite e drones, este artigo propõe um método de correspondência cruzada de modalidade de ponta a ponta baseado em ConvNeXt, que integra um mecanismo de aprendizado mútuo com divergência KL e um módulo de atenção tripla. O método utiliza o ConvNeXt como rede backbone e introduz atenção tripla espacial-canal-direção para melhorar a robustez contra deformações geométricas como escala e rotação, além de fortalecer a capacidade de modelagem de estruturas direcionais. Além disso, a divergência KL orienta o aprendizado mútuo entre ramos de modalidades diferentes, alinhando efetivamente a distribuição das características das imagens de satélite e drones, mitigando o desvio modal causado pela diferença de perspectiva. No University-1652, o método alcança alta precisão na recuperação bidirecional: R@1/AP de 89,40%/90,98% de Drone→Satélite e 93,44%/89,33% de Satélite→Drone. Em comparação com o ConvNeXt-Tiny, o R@1/AP aumentou 2,21%/1,80% (Drone→Satélite) e 2,19%/2,73% (Satélite→Drone), respectivamente; também demonstra uma leve vantagem sobre métodos recentes representativos (TransFG, GeoFormer) e continua competitivo em relação a alguns algoritmos recentes. As ablações mostram que a atenção tripla e o aprendizado mútuo KL trazem ganhos de R@1 de 4,13% e 3,55%, respectivamente. Em termos de eficiência, sob um protocolo unificado, a latência de inferência com uma única placa (bs=1) é de 20,83 ms, com pico de memória de vídeo de 0,53 GB; em configuração multi-alvo na mesma imagem, com K=5, o V-Rate@5 é 97,7%. Em resumo, o método melhora significativamente a precisão da recuperação cruzada de modalidade e a robustez geométrica garantindo tempo real, é viável para implantação em engenharia e pode suprimir eficazmente interferências em cenários multi-alvo na mesma imagem, sendo aplicável para navegação visual de drones e localização geográfica.

correspondência de imagens de satélite e drone;correspondência cross-modal;ConvNeXt;atenção tripla;divergência KL;localização geográfica visual