El Reconocimiento Visual de Lugares (VPR) es una tarea fundamental pero desafiante en los problemas de Localización y Mapeo Simultáneos Visuales (V-SLAM). El VPR funciona como un subsistema del V-SLAM. El VPR es la tarea de recuperar imágenes al volver a visitar el mismo lugar en diferentes condiciones. El problema es aún más difícil para los robots móviles autónomos agrícolas y todoterreno que trabajan en diferentes escenarios y condiciones climáticas. En los últimos años, se han propuesto muchos métodos de vanguardia para resolver las limitaciones de las técnicas de VPR existentes. El VPR utilizando bolsas de palabras obtenidas de características locales funciona bien para un problema de recuperación de imágenes a gran escala. Sin embargo, la agregación de características locales produce arbitrariamente una gran base de datos de vectores de bolsas de palabras, limita la capacidad de aprendizaje eficiente de características, así como la agregación y consulta de imágenes candidatas. Además, agregar características arbitrarias es ineficiente, ya que no todas las características locales contribuyen de igual manera a las tareas de reconocimiento de lugares a largo plazo. Por lo tanto, se propone una nueva arquitectura de VPR adecuada para un reconocimiento de lugares eficiente con características locales semánticamente significativas y sus verificaciones geométricas en 3D. La arquitectura propuesta de extremo a extremo está impulsada por una red neuronal profunda, una base de datos de bolsas de palabras y verificación geométrica en 3D para el reconocimiento de lugares. Este método es consciente de las características significativas e informativas de las imágenes para una mejor comprensión de la escena. Posteriormente, se calcula y utiliza la información geométrica en 3D de las características significativas correspondientes para verificar el reconocimiento correcto del lugar. El método propuesto se prueba en cuatro conjuntos de datos públicos bien conocidos y en un conjunto de datos grabado de Vehículos Aéreos Micro (MAV) para la validación experimental en Victoria Park, Adelaide, Australia. Los extensos resultados experimentales considerando métricas de evaluación estándar para el VPR muestran que el método propuesto produce un rendimiento superior al de los métodos de vanguardia disponibles.