تُعد تتبع الكائنات المتعددة (MOT) مشكلة مهمة في رؤية الحاسوب، وتمتلك تطبيقات واسعة النطاق. يُعد صياغة مشكلة تتبع الكائنات المتعددة كتعلم متعدد المهام يتضمن كشف الكائنات وإعادة التعرف عليه (re-ID) ضمن شبكة واحدة جذابًا، نظرًا لأنه يسمح بتحسين مزدوج للوظيفتين ويوفر كفاءة حسابية عالية. ومع ذلك، لاحظنا أن هاتين الوظيفتين تميلان إلى التنافس مع بعضهما البعض، ما يتطلب معالجة دقيقة. وبشكل خاص، غالبًا ما تُعامل مهمة إعادة التعرف على الكائنات (re-ID) كمهام ثانوية، حيث تتأثر دقتها بشكل كبير بالوظيفة الأساسية لكشف الكائنات. ونتيجة لذلك، يصبح الشبكة متحيزة نحو المهمة الأساسية لكشف الكائنات، وهو ما يُعد غير عادل بالنسبة لمهمة إعادة التعرف. ولحل هذه المشكلة، نقدّم منهجًا بسيطًا وفعالًا يُسمى FairMOT، والذي يعتمد على هيكل كشف الكائنات بدون محددات (anchor-free) المعروف بـ CenterNet. وتجدر الإشارة إلى أن هذا ليس مجرد تركيب بسيط بين CenterNet وtask re-ID، بل نقدم مجموعة من التصاميم الدقيقة التي أظهرت فعاليتها الكبيرة في تحقيق نتائج تتبع جيدة، وذلك بناءً على دراسات تجريبية شاملة. ويحقق النهج الناتج دقة عالية في كل من كشف الكائنات والتتبع. كما يتفوق هذا النهج على أحدث الطرق المطروحة على عدة مجموعات بيانات عامة بفارق كبير. وتم إصدار الشيفرة المصدرية والنموذج المدرب مسبقًا على الرابط التالي: https://github.com/ifzhang/FairMOT.