في تصنيف الدلالات التدريجي حسب الفئات (CISS)، تعاني هياكل التعلم العميق من مشاكل حرجة مثل النسيان الكارثي والتحول الدلالي للخلفية. رغم أن الأعمال الحديثة ركزت على هذه القضايا، فإن طرق تهيئة المصنف الحالية لا تعالج مشكلة تحول الخلفية وتمنح أوزان التهيئة نفسها لكل من مصنفات الخلفية الجديدة والفئات الأولى. نقترح معالجة تحول الخلفية باستخدام طريقة جديدة لتهيئة المصنف تعتمد على النسبة المتدرجة للتحديد (gradient-based attribution) لتحديد الأوزان الأكثر صلة بالفئات الجديدة من أوزان المصنف للخلفية السابقة ونقل هذه الأوزان إلى المصنف الجديد. توفر هذه البداية الدافئة للأوزان حلاً عامًا يمكن تطبيقه على عدة طرق CISS. بالإضافة إلى ذلك، تسريع تعلم الفئات الجديدة بينما تخفيف النسيان. تظهر تجاربنا تحسنًا كبيرًا في دقة تقاطع فوق الاتحاد (mIoU) مقارنة بأحدث طرق CISS على قواعد بيانات Pascal-VOC 2012، ADE20K و Cityscapes.