تعمل معظم نماذج تتبع الكائنات المتعددة عبر الإنترنت على الكشف عن الكائنات بشكل منفصل داخل شبكة عصبية دون أي مدخلات من التتبع. في هذه الورقة، نقدم نموذجًا جديدًا مباشرًا للكشف والتعقب معًا، يُسمى TraDeS (TRAck to DEtect and Segment)، الذي يستفيد من المؤشرات المرتبطة بالتعقب لمساعدة الكشف بشكل متكامل من البداية إلى النهاية. يقوم TraDeS باستنتاج انزياح تعقب الكائنات باستخدام حجم تكلفة (cost volume)، والذي يستخدم لنقل ميزات الكائنات السابقة بهدف تحسين الكشف عن الكائنات والتقسيم الحالي. وتم إثبات فعالية وتفوق نموذج TraDeS على أربع مجموعات بيانات، تشمل MOT (التعقب ثنائي الأبعاد)، nuScenes (التعقب ثلاثي الأبعاد)، MOTS وYouTube-VIS (التقسيم التوافقي للهوية). صفحة المشروع: https://jialianwu.com/projects/TraDeS.html.