الاتجاه الحديث في تتبع الأهداف المتعددة القائم على الرؤية (MOT) يتجه نحو الاستفادة من قوة التمثيل في التعلم العميق لتعلم الكشف عن الأهداف وتتبعها بشكل مشترك. ومع ذلك، فإن الطرق الحالية تدرب فقط بعض الوحدات الفرعية باستخدام دوال خسارة غالبًا لا ترتبط بمعايير تقييم التتبع المُعترف بها مثل دقة تتبع الأهداف المتعددة (MOTA) والدقة (MOTP). نظرًا لأن هذه المعايير غير قابلة للتفاضل، فإن اختيار دوال خسارة مناسبة لتدريب طرق تتبع الأهداف المتعددة بشكل شامل ما زال مشكلة بحثية مفتوحة. في هذا البحث، نغلق هذه الفجوة من خلال اقتراح وكيل قابل للتفاضل لمقياس MOTA ومقياس MOTP، والذي ندمجه في دالة خسارة مناسبة لتدريب شامل لمحركات تتبع الأهداف المتعددة العميقة. كعنصر أساسي، نقترح وحدة الشبكة المجرية العميقة (DHN) التي تقرب خوارزمية التطابق المجرية. تسمح وحدة DHN بتقدير العلاقة بين مسارات الأهداف والأهداف الحقيقية لحساب وكلاء قابلة للتفاضل لمقياس MOTA ومقياس MOTP، والتي يتم استخدامها بدورها لتحسين محركات التتبع العميقة مباشرةً. لقد أظهرنا تجريبيًا أن الإطار القابل للتفاضل المقترح يحسن أداء محركات تتبع الأهداف المتعددة الموجودة حاليًا، وأقمنا حالة جديدة رائدة على معيار MOTChallenge. شفرتنا المصدر متاحة للعامة من https://github.com/yihongXU/deepMOT.