クラス増分型セマンティックセグメンテーション（CISS）において、深層学習アーキテクチャは、カタストロフィックフォーリングとセマンティック背景シフトという重要な問題に直面しています。最近の研究ではこれらの課題に焦点を当てていますが、既存の分類器初期化手法は背景シフト問題に対処しておらず、背景クラスと新しい前景クラスの分類器に対して同じ初期化重みを割り当てています。私たちは、勾配に基づく属性付けを使用して、前の背景の分類器の重みから新しいクラスに関連性が高い重みを特定し、それらを新しい分類器に転送する新たな分類器初期化手法を提案します。このウォームスタート重み初期化は一般的な解決策であり、複数のCISS手法に適用可能です。さらに、新しいクラスの学習を加速しつつ、忘却を緩和します。私たちの実験結果は、Pascal-VOC 2012、ADE20KおよびCityscapesデータセットで既存の最先端CISS手法と比較してmIoU（平均交差率）に著しい改善を示しています。