نقدم نهجًا جديدًا لمهمة اكتشاف النقاط الرئيسية يجمع بين المرشحات المصنوعة يدويًا والمرشحات المُتعلمة من الشبكات العصبية التلافيفية (CNN) ضمن هندسة متعددة القياسات ضحلة. تقدم المرشحات المصنوعة يدويًا هيكلية أساسية للمرشحات المُتعلمة، والتي تقوم بتحديد موقع، وتصنيف وتقييم الخصائص القابلة للتكرار. يتم استخدام تمثيل الفضاء المقاس داخل الشبكة لاستخراج النقاط الرئيسية على مستويات مختلفة. نصمم دالة خسارة لاكتشاف الخصائص المتينة التي توجد عبر نطاق من المقاسات وتعظيم درجة التكرار. تم تدريب نموذج Key.Net الخاص بنا على بيانات مُنشأة بشكل صناعي من ImageNet وتقييمه على مقاييس HPatches. تظهر النتائج أن نهجنا يتفوق على أحدث الكاشفات من حيث التكرار، وأداء التطابق والتعقيد.