本論文では、クラス増分型セマンティックセグメンテーション（CISS）問題に対する堅固な最先端のベースラインを紹介します。最近のCISSアルゴリズムは、知識蒸留（Knowledge Distillation, KD）技術の変種を使用してこの問題に取り組んでいますが、CISSにおける重要な課題である災害的な忘却；背景クラスの意味的逸脱とマルチラベル予測問題を完全には解決できていません。これらの課題をより適切に対処するため、私たちはセマンティックセグメンテーションに特化した技術を慎重に組み合わせて新しい手法「SSUL-M（Semantic Segmentation with Unknown Label with Memory）」を提案します。具体的には、以下の3つの主要な貢献点を主張します。(1) 背景クラス内に未知クラスを定義することで、将来のクラス学習を支援する（可塑性向上）、(2) バイナリー交差エントロピー損失と疑似ラベリングを使用してバックボーンネットワークと過去の分類器を固定することで、災害的な忘却を克服する（安定性向上）、(3) CISSで初めて微小な例メモリを利用し、可塑性と安定性双方の改善を目指す。広範囲にわたる実験により、私たちの手法が標準的なベンチマークデータセット上で最近の最先端ベースラインよりも著しく優れた性能を達成することを示しています。さらに、詳細なアブレーション分析を通じて貢献点の正当性を説明し、従来の分類向けクラス増分型学習との違いについても議論しています。公式コードは https://github.com/clovaai/SSUL で公開されています。