نُوَسِّعُ النموذج الكلاسيكي لتتبع الكائنات عبر الكشف ليشمل مهمة تتبع أي كائن. يتم أولاً استخراج نتائج كشف موثوقة من مجموعة بيانات TAO. ثم يتم دمج تقنيات حديثة متقدمة مثل \textbf{BAGS} (الـ\textbf{B}alanced-\textbf{G}roup \textbf{S}oftmax) \cite{li2020overcoming} و\textbf{DetectoRS} \cite{qiao2020detectors} أثناء عملية الكشف. بعد ذلك، نُدرّب شبكات تعلم الميزات لاستخلاص ميزات مظهرية تمثل أي كائن. ونُجمِع عدة نماذج لتحسين دقة الكشف وتمثيل الميزات. أخيرًا، نُطبِّق استراتيجيات ربط بسيطة تعتمد على أكثر الميزات مطابقةً من حيث المظهر، بالإضافة إلى وحدة ما بعد الربط على مستوى المسارات (tracklet-level post association module) لإنتاج النتائج النهائية للتتبع. تم تقديم طريقة العمل هذه على موقع المسابقة تحت اسم \textbf{AOA}. يمكن الوصول إلى الكود عبر الرابط: https://github.com/feiaxyt/Winner_ECCV20_TAO.