Klassische Arbeiten zur Erkennung von Liniensegmenten basieren auf Wissensprinzipien; sie verwenden sorgfältig gestaltete geometrische A-priori-Informationen, die entweder durch Bildgradienten, Pixelgruppierungen oder Varianten der Hough-Transformation erzeugt werden. Im Gegensatz dazu verzichten aktuelle Methoden des Deep Learning auf sämtliches vorheriges Wissen und ersetzen A-priori-Informationen durch das Training tiefer Netze auf großen manuell annotierten Datensätzen. In dieser Arbeit reduzieren wir die Abhängigkeit von etikettierten Daten, indem wir uns auf die klassischen wissensbasierten A-priori-Informationen stützen und gleichzeitig tiefere Netze verwenden, um Merkmale zu lernen. Wir fügen Linienpriors durch einen trainierbaren Hough-Transformationsblock in ein tiefes Netz ein. Die Hough-Transformation liefert das A-priori-Wissen über globale Linienparametrisierungen, während die Faltungsschichten die lokalen gradientenähnlichen Linienmerkmale lernen können. Anhand der Wireframe (ShanghaiTech) und York Urban Datensätze zeigen wir, dass das Hinzufügen von A-priori-Wissen die Dateneffizienz verbessert, da die Linienpriors nicht mehr aus den Daten gelernt werden müssen.Schlüsselwörter: Hough-Transformation; globales Linienprior; Erkennung von Liniensegmenten.