Nous présentons une nouvelle approche pour la tâche de détection de points clés qui combine des filtres CNN conçus manuellement et appris au sein d'une architecture multicouche peu profonde. Les filtres conçus manuellement fournissent des structures d'ancrage pour les filtres appris, qui localisent, évaluent et classent les caractéristiques répétables. Une représentation dans l'espace d'échelle est utilisée au sein du réseau pour extraire des points clés à différents niveaux. Nous concevons une fonction de perte pour détecter des caractéristiques robustes existant sur une gamme d'échelles et pour maximiser le score de répétabilité. Notre modèle Key.Net est formé sur des données synthétiquement créées à partir d'ImageNet et évalué sur le benchmark HPatches. Les résultats montrent que notre approche surpassent les détecteurs de pointe en termes de répétabilité, de performance de correspondance et de complexité.