Tiefes Lernen wird heutzutage allgegenwärtig eingesetzt, um Computer Vision Aufgaben wie semantische Segmentierung zu bewältigen, wofür große Datensätze und erhebliche Rechenleistung erforderlich sind. Kontinuierliches Lernen für semantische Segmentierung (KLS) ist eine aufkommende Tendenz, die darin besteht, ein altes Modell durch sequenzielles Hinzufügen neuer Klassen zu aktualisieren. Allerdings sind kontinuierliche Lernmethoden in der Regel anfällig für katastrophales Vergessen. Dieses Problem wird in KLS weiter verstärkt, da bei jedem Schritt alte Klassen aus vorherigen Iterationen in den Hintergrund zusammengefasst werden. In dieser Arbeit schlagen wir Local POD vor, ein mehrskaliges Pooling-Distillationsverfahren, das räumliche Beziehungen auf Feature-Ebene sowohl über kurze als auch über lange Distanzen beibehält. Darüber hinaus entwickeln wir eine entropiebasierte Pseudo-Labelung des Hintergrunds im Verhältnis zu den von dem alten Modell vorhergesagten Klassen, um den Hintergrundverschiebung und das katastrophale Vergessen der alten Klassen zu vermeiden. Unser Ansatz, PLOP genannt, übertreffen signifikant die Stand der Technik-Methoden in existierenden KLS-Szenarien sowie in neu vorgeschlagenen anspruchsvollen Benchmarks.