Nous proposons une nouvelle méthode pour détecter les points de fuite horizontaux et le point de fuite zénithal dans les environnements construits par l'homme. La tendance dominante des méthodes existantes consiste à trouver d'abord des points de fuite candidats, puis à éliminer les valeurs aberrantes en imposant leur orthogonalité mutuelle. Notre méthode inverse ce processus : nous proposons un ensemble de candidats pour la ligne d'horizon et évaluons chacun en fonction des points de fuite qu'il contient. Un élément clé de notre approche est l'utilisation du contexte global de l'image, extrait avec un réseau neuronal convolutif profond, pour restreindre l'ensemble des candidats considérés. Notre méthode ne fait pas d'hypothèse sur le monde manhattanien (Manhattan-world assumption) et peut fonctionner efficacement sur des scènes ne comportant qu'un seul point de fuite horizontal. Nous évaluons notre approche sur trois jeux de données de référence et obtenons des performances au niveau de l'état de l'art dans chacun d'eux. De plus, notre approche est significativement plus rapide que la meilleure méthode précédente.