تهدف تتبع الكائنات المتعددة (MOT) إلى اكتشاف وربط جميع الكائنات المرغوبة عبر الإطارات المختلفة. تُنفَّذ هذه المهمة في معظم الطرق من خلال الاستفادة الصريحة أو الضمنية من ميزات قوية (مثل المعلومات المكانية ومعلومات المظهر)، والتي تتميز بقدرة قوية على التمييز على مستوى الكائنات. ومع ذلك، عند حدوث احتشاء الكائنات أو تجمعها، تصبح المعلومات المكانية والمظهرية غامضة في آنٍ واحد بسبب التداخل العالي بين الكائنات. في هذا البحث، نُظهر أن هذه التحديات الطويلة الأمد في تتبع الكائنات المتعددة يمكن حلها بكفاءة وفعالية من خلال دمج ميزات ضعيفة لتعويض الميزات القوية. إلى جانب اتجاه السرعة، نُقدّم حالة الثقة وحالة الارتفاع كمَيزات ضعيفة محتملة. وبفضل الأداء المتميز، يُبقي منهجنا خصائص التتبع البسيط والمتصل والفعّال في الوقت الفعلي (SORT). كما يُظهر منهجنا قدرة قوية على التعميم على مجموعة متنوعة من متتبعات الكائنات والسيناريوهات بطريقة تُركّب بسهولة ولا تتطلب تدريبًا. تم ملاحظة تحسينات كبيرة ومستمرة عند تطبيق منهجنا على خمسة متتبعات ممثلة مختلفة. علاوةً على ذلك، وباستخدام كل من الميزات القوية والضعيفة، يحقق منهجنا Hybrid-SORT أداءً متفوقًا على مجموعة متنوعة من المعايير، بما في ذلك MOT17 وMOT20، وبخاصة DanceTrack حيث تحدث التفاعلات والاحتشاء الشديد بشكل متكرر مع حركات معقدة. يُمكن الوصول إلى الكود والنماذج عبر الرابط: https://github.com/ymzis69/HybridSORT.