خلال السنوات الأخيرة، أظهرت مرشحات الارتباط نتائج مهيمنة ومذهلة في تتبع الأشياء المرئية. تؤثر أنواع الخصائص المستخدمة في هذه العائلة من المتعقبين بشكل كبير على أداء التتبع المرئي. الهدف النهائي هو استخدام خصائص قوية ثابتة أمام أي نوع من التغيرات في مظهر الشيء، مع التنبؤ بموقع الشيء بدقة كما لو أنه لم يحدث أي تغيير في المظهر. مع ظهور طرق التعلم العميق، تسارعت دراسة تعلم الخصائص لأهداف محددة. على سبيل المثال، تم دراسة طرق التتبع المرئي التمييزية القائمة على الهندسة العميقة بنتائج واعدة. ومع ذلك، فإن متعقبات مرشحات الارتباط (CFB) تقتصر على استخدام الشبكات المدربة مسبقًا والتي تم تدريبها لمشكلة تصنيف الأشياء. بهدف صياغة مشكلة تعلم الخصائص العميقة بالكامل والقائمة على التلافيف لمتعقبات CFB المرئية، يتم تقديم خوارزمية انتشار عكسي جديدة وكفوءة تعتمد على دالة الخسارة للشبكة. يمكّن الإطار المقترح للتعلم النموذج الشبكي من المرونة في تصميم مخصص. بالإضافة إلى ذلك، فإنه يخفف الاعتماد على الشبكة المدربة للتصنيف. تُظهر تحليلات الأداء الواسعة فعالية التصميم المخصص المقترح في إطار عمل تتبع CFB. من خلال ضبط دقيق لجزء التلافيف من شبكة رائدة ودمج هذا النموذج في متعقب CFB، وهو أحد أفضل المتعقبات أداءً في VOT2016، تم تحقيق زيادة بنسبة 18% فيما يتعلق بمتوسط التقاط المتوقع، وانخفض عدد حالات فشل التتبع بنسبة 25%، مع الحفاظ على التفوق على الأساليب الرائدة الأخرى في مجموعة بيانات تتبع OTB-2013 وOTB-2015.