يهدف التتبع متعدد الكائنات إلى اكتشاف وتعقب جميع الكائنات في مشهد معين مع الحفاظ على معرفات فريدة لكل كائن من خلال ربط مربعات الحدود الخاصة بهم عبر الإطارات الفيديوية. تعتمد هذه العملية على تطابق أنماط الحركة والشكل للكائنات المكتشفة. ويُعد هذا التحدي صعبًا بشكل خاص في السيناريوهات التي تتضمن أنماط حركة ديناميكية وغير خطية. في هذه الورقة، نقدم DeepMoveSORT، مُتتبعًا متعدد الكائنات جديدًا ومصممًا بعناية خصيصًا لهذه السيناريوهات. وبالإضافة إلى الأساليب القياسية لربط الكائنات بناءً على الشكل، نُحسّن الترابط القائم على الحركة من خلال استخدام مرشحات قابلة للتعلم العميق (بدلًا من المرشح كالماتِن الذي يُستخدم غالبًا)، بالإضافة إلى مجموعة غنية من القواعد الاستنتاجية الجديدة التي نقترحها. تتجلى تحسيناتنا على أساليب الترابط القائمة على الحركة في عدة جوانب. أولاً، نقترح بنية جديدة قائمة على المحولات (Transformer)، تُسمى TransFilter، والتي تستخدم تاريخ الحركة للكائن لغرض التنبؤ بالحركة وتصفية الضوضاء. ونُعزز أداء المرشح أكثر من خلال التعامل الدقيق مع تاريخ الحركة، مع أخذ حركة الكاميرا بعين الاعتبار. ثانيًا، نقترح مجموعة من القواعد الاستنتاجية التي تستفيد من مؤشرات الموضع، والشكل، ودرجة الثقة الخاصة بمربعات الحدود المكتشفة لتحسين أداء الترابط. تُظهر تقييماتنا التجريبية أن DeepMoveSORT يتفوق على المتتبعات الحالية في السيناريوهات التي تتضمن حركة غير خطية، ويتفوق على النتائج الرائدة في ثلاث مجموعات بيانات من هذا النوع. كما أجرينا دراسة تحليلية شاملة لتقييم مساهمات المكونات المختلفة في المتتبع الذي اقترحناه. وبناءً على دراستنا، نستنتج أن استخدام مرشح قابل للتعلم بدلاً من مرشح كالماتِن، جنبًا إلى جنب مع الترابط القائم على الشكل، يُعد عاملاً محوريًا لتحقيق أداء قوي في التتبع العام.