在本工作中，我们致力于解决一个重要但尚未被充分探索的问题：为跨视图地理定位任务设计一种简单而高效的专用主干网络。现有的跨视图地理定位方法通常存在以下三个问题：1）方法结构复杂；2）计算过程高度依赖GPU资源；3）依赖于航拍图像与地面图像在中心位置或朝向上的严格对齐假设。为应对上述三大挑战，本文提出一种新型主干网络——简单注意力驱动的图像地理定位网络（Simple Attention-based Image Geo-localization network, SAIG）。该网络通过多头自注意力层，有效建模图像块之间的长程依赖关系，并精准捕捉跨视图间的对应关系。SAIG采用“窄而深”（narrow-deep）的网络架构，在不牺牲性能的前提下显著提升了特征表达能力；同时，其浅层且高效的卷积茎干结构（convolutional stem）有效保留了局部性信息，避免了图像分块（patchify）边界信息的丢失。实验结果表明，SAIG在跨视图地理定位任务上达到了当前最优性能，且整体结构远比以往方法更为简洁。更重要的是，相较于当前最先进的模型，SAIG仅需15.9%的参数量和一半的输出维度，即可在多个跨视图数据集上实现良好泛化，且无需依赖精心设计的特征聚合模块或特征对齐算法。此外，SAIG在图像检索基准测试中也取得了具有竞争力的性能表现，进一步验证了其出色的通用性。作为一项主干网络，SAIG兼具结构清晰、易于实现与计算轻量化的优点，具有重要的实际应用价值。此外，我们还提出一种简单的空间混合特征聚合模块（Spatial-Mixed feature aggregation module, SMD），该模块能够将空间信息进行混合并投影至低维空间，从而生成高质量的特征描述符。（代码已开源：https://github.com/yanghongji2007/SAIG）