Une méthode d'apprentissage de régions locales affines-invariantes est présentée. Nous montrons que la maximisation de la répétabilité géométrique ne conduit pas nécessairement à des régions locales, appelées également des caractéristiques, qui peuvent être fiablement appariées, ce qui rend indispensable l'apprentissage basé sur des descripteurs. Nous étudions les facteurs influençant cet apprentissage et l'alignement : la fonction de perte, le type de descripteur, la paramétrisation géométrique, ainsi que le compromis entre la correspondance (matchability) et la précision géométrique. À cette fin, nous proposons une nouvelle fonction de perte à « négatifs durs constants » pour l'apprentissage des régions affines. Le estimateur de forme affine — AffNet — entraîné avec cette fonction de perte surpasser les états de l'art dans les tâches de récupération d'images par modèle de sac de mots (bag-of-words) et de stéréo à large base. Le processus d'entraînement proposé ne nécessite pas de patchs précisément alignés géométriquement. Le code source et les poids entraînés sont disponibles à l'adresse suivante : https://github.com/ducha-aiki/affnet