Nous présentons un réseau neuronal convolutif profond pour estimer l'homographie relative entre une paire d'images. Notre réseau à propagation directe comporte 10 couches, prend en entrée deux images en niveaux de gris superposées et produit une homographie à 8 degrés de liberté, qui peut être utilisée pour mapper les pixels de la première image à la seconde. Nous proposons deux architectures de réseaux neuronaux convolutifs pour HomographyNet : un réseau de régression qui estime directement les paramètres homographiques à valeurs réelles, et un réseau de classification qui génère une distribution sur des homographies quantifiées. Nous utilisons une paramétrisation d'homographie par 4 points qui mappe les quatre coins d'une image dans la seconde image. Nos réseaux sont formés selon une approche bout-à-bout en utilisant des images MS-COCO déformées. Notre méthode fonctionne sans nécessiter des étapes distinctes de détection de caractéristiques locales et d'estimation de transformation. Nous comparons nos modèles profonds à un estimateur traditionnel d'homographie basé sur les caractéristiques ORB et mettons en évidence les scénarios où HomographyNet surpassent la technique traditionnelle. Nous décrivons également diverses applications alimentées par l'estimation profonde d'homographie, soulignant ainsi la flexibilité d'une approche basée sur l'apprentissage profond.