深層学習アーキテクチャは、新しいタスクを逐次的に学習する際に、災害的な忘却（catastrophic forgetting）により性能が大幅に低下することが知られています。現代の逐次学習フレームワークは主に画像分類と物体検出に焦点を当てていますが、本研究では画素単位のラベリングを考慮したセマンティックセグメンテーションにおける逐次学習問題を形式的に導入します。この課題に対処するために、我々は以前のモデルの知識を蒸留して既に学習されたクラスに関する情報を保持し、同時に現在のモデルを更新して新しいクラスを学習することを提案します。我々は出力ロジットと中間特徴量の両方で動作する様々な手法を提案しています。最近のいくつかのフレームワークとは異なり、我々は既に学習されたクラスから画像を保存せず、高精度を維持するために最後のモデルのみが必要です。Pascal VOC2012データセットでの実験評価により、提案手法の有効性が示されています。