Anchor-basierte Siamese-Tracker haben erhebliche Fortschritte in der Genauigkeit erzielt, ihre weitere Verbesserung wird jedoch durch eine eingeschränkte Robustheit beim Verfolgen eingeschränkt. Wir identifizieren die zugrundeliegende Ursache darin, dass das Regressionsnetzwerk in anchor-basierten Methoden lediglich auf positiven Anchor-Boxen (d. h. $IoU \geq 0,6$IoU≥0,6) trainiert wird. Dieses Training verhindert eine effektive Verfeinerung von Anchors, deren Überlappung mit den Zielobjekten gering ist. In diesem Artikel stellen wir ein neuartiges objektbewusstes anchor-free-Netzwerk vor, um dieses Problem zu lösen. Erstens verfeinern wir nicht die Referenz-Anchor-Boxen, sondern prognostizieren direkt die Position und Skalierung der Zielobjekte in einer anchor-free-Weise. Da jeder Pixel innerhalb der Ground-Truth-Boxen gut trainiert ist, kann der Tracker während der Inferenz ungenaue Vorhersagen der Zielobjekte korrigieren. Zweitens führen wir ein Feature-Alignment-Modul ein, um ein objektbewusstes Merkmal aus den vorhergesagten Bounding Boxes zu lernen. Dieses objektbewusste Merkmal trägt zusätzlich zur Klassifikation von Zielobjekten und Hintergrund bei. Darüber hinaus präsentieren wir einen neuartigen Verfolgungsframework auf Basis des anchor-free-Modells. Experimente zeigen, dass unser anchor-free-Tracker state-of-the-art-Leistung auf fünf Benchmarks erzielt, darunter VOT-2018, VOT-2019, OTB-100, GOT-10k und LaSOT. Der Quellcode ist unter https://github.com/researchmm/TracKit verfügbar.