في هذا العمل، ندرس مشكلة التجزئة الدلالية المستمرة، حيث يُطلب من الشبكات العصبية العميقة دمج فئات جديدة بشكل مستمر دون نسيان كارثي. نقترح استخدام آلية إعادة برمجة هيكلية، تُسمى وحدة تعويض التمثيل (Representation Compensation - RC)، لفصل تعلم التمثيل لكل من المعرفة القديمة والجديدة. تتكون وحدة RC من فرعين يتطوران بشكل ديناميكي، أحدهما مجمد والآخر قابل للتدريب. بالإضافة إلى ذلك، صممنا استراتيجية تقطير المعرفة المجمعة على البعدين المكاني والقناة لتعزيز مرونة واستقرار النموذج بشكل أكبر. أجرينا تجارب على سيناريواتين صعبتين للتجزئة الدلالية المستمرة، وهما التجزئة الفئوية المستمرة والتجزئة المجالية المستمرة. بدون أي زيادة في العبء الحسابي أو المعلمات أثناء الاستدلال، تتفوق طريقتنا على الأداء المتقدم حاليًا. يمكن الحصول على الكود من \url{https://github.com/zhangchbin/RCIL}.