Es wird eine Methode zur Lernung lokaler affin-kovarianter Regionen vorgestellt. Wir zeigen, dass die Maximierung der geometrischen Wiederholbarkeit nicht zu lokalen Regionen – auch Merkmale genannt – führt, die zuverlässig zugeordnet werden können, was ein beschreibungsbasierendes Lernen erfordert. Wir untersuchen Faktoren, die das Lernen und die Registrierung beeinflussen: die Verlustfunktion, der Typ des Beschreibers, die geometrische Parametrisierung sowie das Verhältnis zwischen Zuordnungsfähigkeit und geometrischer Genauigkeit. Darauf aufbauend wird eine neuartige Verlustfunktion mit harten negativen Konstanten für das Lernen affiner Regionen vorgeschlagen. Der affin-geometrische Shape-Schätzer – AffNet –, der mit dieser Verlustfunktion trainiert wurde, übertrifft die aktuell besten Ansätze bei der Bag-of-Words-Bildretrieval und der Breitbasisstereo. Der vorgeschlagene Trainingsprozess erfordert keine präzise geometrisch ausgerichteten Patch-Regionen. Der Quellcode sowie die trainierten Gewichte sind unter https://github.com/ducha-aiki/affnet verfügbar.