المعلومات الغنية الزمانية-المكانية ضرورية لالتقاط التغيرات المعقدة في مظهر الهدف في تتبع الرؤية. ومع ذلك، تعتمد معظم خوارزميات التتبع ذات الأداء العالي على العديد من المكونات المصممة يدويًا لجمع المعلومات الزمانية-المكانية. ونتيجة لذلك، تظل المعلومات الزمانية-المكانية بعيدة عن الاستغلال الكامل. ولتخفيف هذه المشكلة، نقترح تتبعًا تكيفيًا يعتمد على محولات زمانية-مكانية (يُسمى AQATrack)، والذي يستخدم استعلامات ذاتية الانحدار بسيطة لتعلم المعلومات الزمانية-المكانية بشكل فعّال دون الحاجة إلى العديد من المكونات المصممة يدويًا. أولاً، نُقدّم مجموعة من الاستعلامات القابلة للتعلم والخاضعة لعملية الانحدار الذاتي لالتقاط التغيرات الفورية في مظهر الهدف بطريقة نافذة منزلقة. ثم، نصمم آلية انتباه جديدة لتمكين التفاعل بين الاستعلامات الحالية لإنشاء استعلام جديد في الإطار الحالي. وأخيرًا، بناءً على النموذج الأولي للهدف الثابت والاستعلامات الذاتية الانحدار المُتعلّمة، نصمم وحدة تجميع معلومات زمانية-مكانية (STM) لدمج المعلومات الزمانية-المكانية بهدف تحديد موقع الهدف. وبفضل وحدة STM، نتمكن من دمج مظهر الهدف الثابت مع التغيرات الفورية بشكل فعّال لتوجيه عملية تتبع قوية. وأظهرت التجارب الواسعة أن طريقةنا تُحسّن بشكل ملحوظ أداء المُتتبع على ستة معايير شهيرة لتتبع الرؤية: LaSOT، LaSOText، TrackingNet، GOT-10k، TNL2K، وUAV123.