Nous présentons un nouveau détecteur de points d'intérêt basé sur les CNN - GLAMpoints - appris de manière semi-supervisée. Notre détecteur extrait des points d'intérêt répétables et stables avec une couverture dense, spécifiquement conçu pour maximiser le nombre de correspondances correctes dans un domaine particulier, ce qui contraste avec les techniques conventionnelles qui optimisent des métriques indirectes. Dans cet article, nous appliquons notre méthode à des images de fente oculaire rétinienne difficiles, pour lesquelles les détecteurs classiques produisent des résultats insatisfaisants en raison de la faible qualité des images et d'une quantité insuffisante de caractéristiques de bas niveau. Nous montrons que GLAMpoints surpasse considérablement les détecteurs classiques ainsi que les méthodes CNN les plus avancées en termes de qualité de correspondance et d'enregistrement pour les images rétiniennes. Notre méthode peut également être étendue à d'autres domaines, tels que les images naturelles. Le code d'entraînement et les poids du modèle sont disponibles à l'adresse suivante : https://github.com/PruneTruong/GLAMpoints_pytorch.