Le travail classique sur la détection de segments de droite est basé sur des connaissances ; il utilise des a priori géométriques soigneusement conçus à partir soit des gradients d'image, soit des regroupements de pixels, ou encore de variantes de la transformation de Hough. En revanche, les méthodes actuelles d'apprentissage profond abandonnent tous les a priori et les remplacent par l'entraînement de réseaux profonds sur de grands ensembles de données annotés manuellement. Dans cet article, nous réduisons la dépendance aux données étiquetées en nous appuyant sur les a priori basés sur des connaissances classiques tout en utilisant des réseaux profonds pour apprendre des caractéristiques. Nous ajoutons des a priori de ligne grâce à un bloc de transformation de Hough entraînable intégré dans un réseau profond. La transformation de Hough fournit les connaissances a priori concernant les paramétrisations globales des lignes, tandis que les couches convolutives peuvent apprendre les caractéristiques locales similaires aux gradients. Sur les ensembles de données Wireframe (ShanghaiTech) et York Urban, nous montrons que l'ajout de connaissances a priori améliore l'efficacité des données car les a priori de ligne n'ont plus besoin d'être appris à partir des données.Mots-clés : Transformation de Hough ; A priori global de ligne ; Détection de segments de droite.