يستخرج ويطابق ميزات التعرف على الهوية (ReID) العديد من الطرق الحديثة المتطورة (SOTA) لتتبع الكائنات المتعددة (MOT)، وخاصةً في مواجهة التداخلات المتكررة والطويلة الأمد. وعلى الرغم من أن التحديد والتعقب المتكاملين من النهاية إلى النهاية قد أصبحا محور البحث الأخير، إلا أن هذه الطرق لم تتمكن بعد من تفوق الطرق التقليدية في معايير مثل MOT17 وMOT20. وبالتالي، من منظور تطبيقي، تظل الطرق التي تعتمد على خطوات منفصلة للتحديد والتمثيل (embedding) الخيار الأفضل من حيث الدقة، والمرونة، وسهولة التنفيذ، رغم أنها غير عملية على الأجهزة الحافة نظرًا للحمل الإضافي الناتج عن استخراج الميزات. في هذه الورقة، نستعرض نهجًا انتقائيًا يهدف إلى تقليل الحمل الناتج عن استخراج الميزات مع الحفاظ على الدقة، والمرونة، وسهولة التنفيذ. ويمكن دمج هذا النهج في مختلف الطرق الحديثة المتطورة. نُظهر فعالية هذا المنهج من خلال تطبيقه على StrongSORT وDeep OC-SORT. تُظهر التجارب على مجموعات بيانات MOT17 وMOT20 وDanceTrack أن آلية لدينا تُبقي على المزايا الناتجة عن استخراج الميزات أثناء التداخل، مع تقليل كبير في زمن التنفيذ. علاوةً على ذلك، تُحسّن الدقة من خلال منع التباس في مرحلة مطابقة الميزات، خاصةً في الحالات التي تتسم بتشوهات وتشابه في المظهر، وهي ظروف شائعة في DanceTrack.رابط المشروع: https://github.com/emirhanbayar/Fast-StrongSORTرابط المشروع: https://github.com/emirhanbayar/Fast-Deep-OC-SORT