الحجب بين الأشياء المختلفة هو تحدي نموذجي في تتبع الأشياء المتعددة (MOT)، حيث يؤدي غالبًا إلى نتائج تتبع ضعيفة بسبب فقدان الكشف عن الأشياء. الممارسة الشائعة في تتبع الأشياء المتعددة هي إعادة التعرف على الأشياء المفقودة بعد إعادة ظهورها. رغم أن أداء التتبع يمكن أن يتحسن من خلال إعادة التعرف، إلا أن تدريب النموذج يتطلب إضافة معلومات الهوية. بالإضافة إلى ذلك، لا تزال هذه الممارسة في إعادة التعرف غير قادرة على تتبع الأشياء التي تم حجبها بشكل كبير عندما يفشل الكاشف في كشفها. في هذا البحث، نركز على تتبع الأشياء المتعددة عبر الإنترنت ونقوم بتصميم وحدتين جديدتين، وهما وحدة التعلم غير المنظور لإعادة التعرف وأداة تقدير الحجب، لمعالجة هذه المشكلات. بصفة خاصة، فإن الوحدة المقترحة للتعلم غير المنظور لإعادة التعرف لا تحتاج إلى أي معلومات هوية (وهمية) ولا تعاني من مشكلة القابلية للتوسع. تحاول أداة تقدير الحجب المقترحة توقع مواقع حدوث الحجب، والتي يتم استخدامها لتقدير مواقع الأشياء المفقودة بواسطة الكاشف. تظهر دراستنا أن الوحدة المقترحة للتعلم غير المنظور لإعادة التعرف تكون مكافئة للتعلم المنظور عند تطبيقها على أفضل طرق MOT الحديثة، وأن أداء التتبع يتحسن بشكل أكبر بفضل أداة تقدير الحجب المقترحة.