تظهر هياكل التعلم العميق انخفاضًا حاسمًا في الأداء بسبب النسيان الكارثي عندما يُطلب منها تعلم مهام جديدة بشكل تدريجي. تركز الإطارات الحديثة للتعلم التدريجي على تصنيف الصور وتحديد الأشياء، بينما نقدم في هذا العمل مشكلة التعلم التدريجي رسمياً للفصل الدلالي (semantic segmentation)، حيث يعتبر التصنيف البكسل ببكسل. لمعالجة هذه المهمة، نقترح تقنية استخلاص المعرفة من النموذج السابق للاحتفاظ بالمعلومات حول الفئات التي تم تعلمها سابقًا، مع تحديث النموذج الحالي لتعلم الفئات الجديدة. نقترح عدة نهج تعمل على مستويات الخرج (logits) والخصائص الوسيطة. على عكس بعض الإطارات الحديثة، لا نخزن أي صورة من الفئات التي تم تعلمها سابقًا ونحتاج فقط إلى آخر نموذج للحفاظ على دقة عالية لهذه الفئات. أظهرت التقييمات التجريبية على مجموعة بيانات Pascal VOC2012 فعالية النهج المقترحة.