لقد أسهمت كاشفات الكائنات القائمة على التعلم العميق في تحقيق تقدم ملحوظ في خوارزميات تتبع الكائنات المتعددة. ومع ذلك، تتركز الطرق الحالية لتتبع الكائنات بشكل رئيسي على أنماط حركة بسيطة ومنتظمة، مثل حركة المشاة أو المركبات، مما يترك فجوة في خوارزميات التتبع الخاصة بالكائنات ذات الحركة غير الخطية وغير المنتظمة، مثل الرياضيين. علاوة على ذلك، يُعد الاعتماد على مرشح كالمان في الخوارزميات الحديثة غير كافٍ عندما تكون حركة الكائنات غير متوافقة مع افتراض الخطية الخاص به. لتجاوز هذه التحديات، نقترح طريقة جديدة وفعّالة لتتبع الكائنات المتعددة في الوقت الفعلي، تُسمى Deep ExpansionIoU (Deep-EIoU)، وتُركّز على تطبيقات تتبع الكائنات في السياقات الرياضية. على عكس الطرق التقليدية، نتخلى عن استخدام مرشح كالمان، ونعتمد بدلاً من ذلك على مقياس ExpansionIoU القائم على التكبير التكراري، بالإضافة إلى السمات العميقة، لتحقيق تتبع قوي في السياقات الرياضية. تحقق هذه الطريقة أداءً متميزًا في تتبع الكائنات ذات الحركة غير المنتظمة، دون الحاجة إلى استخدام كاشف أكثر قوة، مع الحفاظ على طبيعة التتبع في الوقت الفعلي. وتبين النتائج أن الطريقة المقترحة فعّالة بشكل ملحوظ في تتبع الكائنات ذات الحركة غير المنتظمة، حيث حققت تقييمًا قدره 77.2% في مؤشر HOTA على مجموعة بيانات SportsMOT، و85.4% على مجموعة بيانات SoccerNet-Tracking. كما تتفوّق على جميع المُتتبعات المُتميزة السابقة في مجموعة متنوعة من معايير تتبع الكائنات المتعددة على نطاق واسع، وتغطي العديد من السياقات الرياضية. يُمكن الاطلاع على الشفرة والنماذج المقترحة عبر الرابط التالي: https://github.com/hsiangwei0903/Deep-EIoU.