La géolocalisation multivue consiste à identifier des images d'une même cible géographique provenant de différentes plateformes, par exemple, des caméras à vue aérienne et des satellites. Elle présente un défi en raison des importantes variations d'apparence visuelle causées par les changements extrêmes de point de vue. Les méthodes existantes se concentrent généralement sur l'extraction des caractéristiques fines de la cible géographique au centre de l'image, mais sous-estiment les informations contextuelles dans les zones voisines. Dans ce travail, nous soutenons que les zones voisines peuvent être utilisées comme information auxiliaire, enrichissant ainsi les indices discriminants pour la géolocalisation. Plus précisément, nous introduisons un réseau neuronal profond simple et efficace, appelé Réseau de Modèles Locaux (Local Pattern Network - LPN), qui exploite les informations contextuelles de manière end-to-end. Sans utiliser d'estimateurs de parties supplémentaires, le LPN adopte une stratégie de partitionnement des caractéristiques en carrés-concentriques, qui attribue l'attention en fonction de la distance au centre de l'image. Cette approche facilite le couplage des parties et permet l'apprentissage de représentations partielles. Grâce à cette conception de partitionnement en carrés-concentriques, le LPN proposé offre une bonne scalabilité face aux variations de rotation et obtient des résultats compétitifs sur trois benchmarks prédominants : University-1652, CVUSA et CVACT. De plus, nous montrons que le LPN peut être facilement intégré dans d'autres cadres pour améliorer encore davantage les performances.