Neuere Fortschritte im Bereich der visuellen Verfolgung basieren auf siamesischen Merkmalsextraktoren und Template-Matching. Für diese Kategorie von Trackern konzentriert sich die neueste Forschung auf verbesserte Merkmalsdarstellungen und Ähnlichkeitsmaße. In dieser Arbeit legen wir den Fokus auf das Erstellen umfassender Objektdarstellungen für die Verfolgung. Wir schlagen einen Rahmen vor, der darauf ausgelegt ist, über bestehende Tracker hinaus verwendet zu werden, ohne dass eine weitere Trainierung des siamesischen Netzes erforderlich ist. Der Rahmen nutzt die Idee, während des Tracking-Prozesses zusätzliche Objekttemplates zu erhalten. Da die Anzahl der gespeicherten Templates begrenzt ist, behält unsere Methode nur die vielfältigsten Templates. Dies erreichen wir durch die Einführung eines neuen Vielfaltmaßes im Raum der siamesischen Merkmale. Die erhaltene Darstellung enthält Informationen, die über den vom System bereitgestellten Ground-Truth-Objektstandort hinausgehen. Sie ist nicht nur für das Tracking selbst nützlich, sondern auch für weitere Aufgaben, die eine visuelle Verständnis von Objekten erfordern. Starke empirische Ergebnisse anhand von Tracking-Benchmarks deuten darauf hin, dass unsere Methode die Leistungsfähigkeit und Robustheit der zugrunde liegenden Tracker verbessern kann, ohne ihre Geschwindigkeit erheblich zu verringern. Zudem ist unsere Methode in der Lage, aktuelle state-of-the-art-Ergebnisse zu erreichen, wobei sie eine einfachere und ältere Netzarchitektur verwendet und dreimal schneller läuft.