In dieser Arbeit schlagen wir einen Online-Multi-Objekt-Verfolgungsansatz (MOT) vor, der die Vorzüge von Einzelobjektverfolgung und Datenassoziation in einem einheitlichen Framework integriert, um verrauschte Detektionen und häufige Interaktionen zwischen den Zielen zu bewältigen. Insbesondere zur Anwendung der Einzelobjektverfolgung im MOT führen wir eine kostenempfindliche Verfolgungsverlustfunktion ein, die auf dem neuesten Stand der visuellen Verfolgungstechniken basiert. Diese ermutigt das Modell während des Online-Lernens, sich auf schwierige negative Ablenkungen zu konzentrieren. Für die Datenassoziation schlagen wir Dual Matching Attention Networks (DMAN) mit sowohl räumlichen als auch zeitlichen Aufmerksamkeitsmechanismen vor. Das räumliche Aufmerksamkeitsmodul generiert zwei Aufmerksamkeitskarten, die es dem Netzwerk ermöglichen, sich auf die Übereinstimmungsmuster des Eingabebildpaares zu fokussieren. Das zeitliche Aufmerksamkeitsmodul verteilt hingegen adaptive Aufmerksamkeitsstufen auf verschiedene Stichproben innerhalb des Tracklets, um verrauschte Beobachtungen zu unterdrücken. Experimentelle Ergebnisse auf den Benchmark-Datensätzen für MOT zeigen, dass der vorgeschlagene Algorithmus in Bezug auf Identitätsbewahrungsmetriken sowohl gegen Online- als auch Offline-Verfolger gut abschneidet.