La navegación de los Vehículos Aéreos No Tripulados (VANT) en la actualidad se basa principalmente en los Sistemas Globales de Navegación por Satélite (GNSS). Las desventajas de la navegación basada en satélites son las fallas causadas por oclusiones o interferencias de múltiples trayectorias. Por lo tanto, se han desarrollado métodos alternativos en los últimos años. Los métodos de navegación visual, como la Odometría Visual (VO) o la Localización y Mapeo Simultáneos (SLAM), ayudan a las soluciones de navegación global al cerrar huecos en la trayectoria o realizar cierres de bucle. Sin embargo, si la estimación de la trayectoria se interrumpe o no está disponible, es obligatorio realizar una re-localización. Además, las investigaciones más recientes han mostrado resultados prometedores en la regresión de pose en 6 Grados de Libertad (DoF) basados en Redes Neuronales Convolucionales (CNN). Adicionalmente, los métodos de navegación existentes pueden beneficiarse de estas redes. En este artículo, se presenta un método para la regresión de pose rápida y sin GNSS basada en imágenes mediante la utilización de una pequeña Red Neuronal Convolucional. Por lo tanto, se utiliza una pequeña CNN (SqueezePoseNet), se aplica aprendizaje por transferencia y se ajusta la red para la regresión de pose. Además, se superan las desventajas recientes aplicando aumento de datos en un conjunto de datos de entrenamiento utilizando imágenes simuladas. Los experimentos con pequeñas CNN muestran resultados prometedores para la localización rápida y sin GNSS en comparación con redes más grandes. Al entrenar una CNN con un conjunto de datos ampliado que incluye imágenes simuladas, la precisión en la regresión de pose se mejora hasta un 61.7% para la posición y hasta un 76.0% para la rotación en comparación con el entrenamiento en un conjunto de datos estándar no aumentado.