Klasseninkrementelle semantische Segmentierung (Class-Incremental Semantic Segmentation, CISS) zielt darauf ab, neue Klassen zu erlernen, ohne alte Klassen zu vergessen, wobei lediglich die Etiketten der neuen Klassen verwendet werden. Um dies zu erreichen, werden zwei gängige Strategien eingesetzt: 1) Pseudolabeling und Wissensdistillation zur Erhaltung vorheriger Kenntnisse; sowie 2) Hintergrundgewichtstransfer, der die umfassende Abdeckung des Hintergrunds bei der Lernphase neuer Klassen nutzt, indem das Hintergrundgewicht auf den Klassifikator der neuen Klasse übertragen wird. Allerdings beruht die erste Strategie stark auf dem alten Modell zur Erkennung alter Klassen, wobei unerkannte Pixel als Hintergrund interpretiert werden, was zu einer Verschiebung des Hintergrunds hin zu den alten Klassen führt (d. h. Fehlklassifizierung von alten Klassen als Hintergrund). Zudem führt bei der zweiten Methode die Initialisierung des Klassifikators für neue Klassen mit Hintergrundwissen zu einem ähnlichen Problem der Hintergrundverschiebung – allerdings nun hin zu den neuen Klassen. Um diese Probleme zu lösen, schlagen wir einen Rahmenwerk für die Trennung von Hintergrund und Klasse im Kontext von CISS vor. Zunächst werden selektives Pseudolabeling und adaptives Merkmalsdistillation eingesetzt, um lediglich vertrauenswürdige vorherige Kenntnisse zu extrahieren. Gleichzeitig fördern wir die Trennung zwischen Hintergrund und neuen Klassen durch ein neuartiges orthogonales Ziel sowie durch labelgesteuerte Ausgabedistillation. Unsere Ergebnisse erreichen den Stand der Technik und bestätigen die Wirksamkeit der vorgeschlagenen Methoden.