يهدف التصنيف الدلالي التدرجي للطبقات (CISS) إلى تعلُّم فئات جديدة دون نسيان الفئات القديمة، باستخدام علامات الفئات الجديدة فقط. لتحقيق هذا الهدف، تُستخدم استراتيجيتان شائعتان: 1) تسمية وهمية (pseudo-labeling) والاحتفاظ بالمعرفة (knowledge distillation) لحفظ المعرفة السابقة؛ و2) نقل وزن الخلفية (background weight transfer)، الذي يستفيد من التغطية الواسعة للخلفية في تعلُّم الفئات الجديدة من خلال نقل وزن الخلفية إلى تصنيف الفئة الجديدة. ومع ذلك، تعتمد الاستراتيجية الأولى بشكل كبير على النموذج القديم في كشف الفئات القديمة، بينما تُعتبر البكسلات غير المكتشفة خلفية، مما يؤدي إلى تحول الخلفية نحو الفئات القديمة (أي تصنيف فئة قديمة خطأً كخلفية). علاوةً على ذلك، في حالة الاستراتيجية الثانية، فإن تهيئة تصنيف الفئة الجديدة بمعرفة الخلفية تُسبب مشكلة مشابهة، لكنها تتجه نحو الفئات الجديدة. ولحل هذه المشكلات، نقترح إطارًا جديدًا يُفصل بين الخلفية والطبقات (background-class separation framework) في سياق CISS. أولاً، نستخدم تسمية وهمية اختيارية (selective pseudo-labeling) والتحفيظ المتكيف للميزات (adaptive feature distillation) لاستخلاص المعرفة السابقة الموثوقة فقط. من ناحية أخرى، نشجع الفصل بين الخلفية والطبقات الجديدة من خلال دالة متعامدة جديدة (novel orthogonal objective) إلى جانب التحفيظ الموجه بالعلامات (label-guided output distillation). تؤكد النتائج المتطورة التي نحققها فعالية الأساليب المقترحة.