La segmentation sémantique incrémentale par classes (CISS) vise à apprendre de nouvelles classes sans oublier les anciennes, en utilisant uniquement les étiquettes des nouvelles classes. Pour atteindre cet objectif, deux stratégies populaires sont adoptées : 1) le pseudo-étiquetage combiné à la distillation de connaissances, afin de préserver les connaissances antérieures ; et 2) le transfert du poids du fond, qui exploite la couverture étendue du fond dans l’apprentissage des nouvelles classes en transférant le poids du fond vers le classificateur des nouvelles classes. Toutefois, la première stratégie dépend fortement du modèle ancien pour détecter les anciennes classes, tandis que les pixels non détectés sont considérés comme du fond, ce qui entraîne un décalage du fond vers les anciennes classes (c’est-à-dire une mauvaise classification des anciennes classes comme fond). En outre, dans le cas de la deuxième approche, l’initialisation du classificateur des nouvelles classes avec des connaissances du fond déclenche un problème similaire de décalage du fond, mais cette fois vers les nouvelles classes. Pour résoudre ces problèmes, nous proposons un cadre original de séparation entre le fond et les classes, spécifiquement conçu pour la CISS. Plus précisément, nous introduisons un pseudo-étiquetage sélectif et une distillation adaptative des caractéristiques, afin de distiller uniquement les connaissances passées fiables. D’un autre côté, nous favorisons la séparation entre le fond et les nouvelles classes grâce à une nouvelle fonction objective orthogonale, combinée à une distillation des sorties guidée par les étiquettes. Nos résultats, parmi les meilleurs actuellement disponibles, valident l’efficacité des méthodes proposées.