Wir stellen einen neuen, auf CNN-basierten Merkmalspunkt-Detektor vor – GLAMpoints – der in einem halbüberwachten Verfahren trainiert wurde. Unser Detektor extrahiert wiederholbare, stabile Interessenspunkte mit dichter Abdeckung und ist speziell darauf ausgelegt, die korrekte Zuordnung in einem bestimmten Bereich zu maximieren. Dies steht im Gegensatz zu herkömmlichen Techniken, die indirekte Metriken optimieren. In dieser Arbeit wenden wir unsere Methode auf anspruchsvolle retinale Spaltlampenbilder an, bei denen klassische Detektoren aufgrund der geringen Bildqualität und des Mangels an niedrigstufigen Merkmalen unzufriedenstellende Ergebnisse liefern. Wir zeigen, dass GLAMpoints sowohl klassische Detektoren als auch aktuelle CNN-basierte Methoden hinsichtlich der Zuordnungs- und Registrierungsqualität für retinale Bilder erheblich übertrifft. Unsere Methode kann zudem auf andere Bereiche wie natürliche Bilder erweitert werden. Der Trainingscode und die Modellgewichte sind unter https://github.com/PruneTruong/GLAMpoints_pytorch verfügbar.