لقد حققت المُتتبعات ذات الأسس القائمة على المُستشعرات تقدّمًا ملحوظًا في الدقة، لكن تحسينها المستقبلي محدود بسبب ضعف موثوقية التتبع. وجدنا أن السبب الجوهري هو أن شبكة الانحدار في الطرق القائمة على المُستشعرات تُدرّس فقط على صناديق المُستشعرات الإيجابية (أي، $IoU \geq 0.6$IoU≥0.6). يؤدي هذا المبدأ إلى صعوبة في تحسين المُستشعرات التي لديها تداخل ضعيف مع الكائنات المستهدفة. في هذا البحث، نقترح شبكة جديدة قائمة على الكائنات وبدون مُستشعرات (object-aware anchor-free network) لمعالجة هذه المشكلة. أولاً، بدلًا من تحسين صناديق المُستشعرات المرجعية، نتنبأ مباشرة بموقع وحجم الكائنات المستهدفة بطريقة تُخلّى من المُستشعرات. وبما أن كل بكسل في صناديق التدريب المُحددة يُدرّس بشكل جيد، فإن المُتتبع قادر على تصحيح التنبؤات غير الدقيقة للكائنات المستهدفة أثناء التقييم. ثانيًا، نقدّم وحدة توحيد الميزات (feature alignment module) لاستخلاص ميزة واعية بالكائن من الصناديق المتنبأ بها. وتُسهم هذه الميزة الواعية بالكائن بشكل إضافي في تصنيف الكائنات المستهدفة والخلفية. علاوةً على ذلك، نقدّم إطارًا جديدًا للتعقب يقوم على النموذج دون مُستشعرات. تُظهر التجارب أن مُتتبعنا بدون مُستشعرات يحقق أداءً متفوّقًا على مستوى الحالة الحالية (state-of-the-art) على خمسة معايير، تشمل VOT-2018، VOT-2019، OTB-100، GOT-10k، وLaSOT. يمكن الوصول إلى الشفرة المصدرية من خلال الرابط: https://github.com/researchmm/TracKit.