Wir erweitern das klassische Tracking-by-Detection-Paradigma auf die Aufgabe des Tracking beliebiger Objekte. Zunächst werden zuverlässige Detektionsergebnisse aus dem TAO-Datensatz extrahiert. Dabei werden mehrere state-of-the-art-Techniken wie \textbf{B}alanced-\textbf{G}roup \textbf{S}oftmax (\textbf{BAGS}\cite{li2020overcoming}) und DetectoRS\cite{qiao2020detectors} in den Detektionsprozess integriert. Anschließend werden Erscheinungsmerkmale zur Repräsentation beliebiger Objekte durch das Trainieren von Merkmalslernnetzwerken erlernt. Zur Verbesserung der Detektion und der Merkmalsrepräsentation werden mehrere Modelle ensembled. Schließlich werden einfache Verknüpfungsstrategien basierend auf den ähnlichsten Erscheinungsmerkmalen sowie ein tracklet-basierter Nachverarbeitungsmodul angewendet, um die endgültigen Tracking-Ergebnisse zu generieren. Unsere Methode wurde auf der Challenge-Website als \textbf{AOA} eingereicht. Der Quellcode ist unter https://github.com/feiaxyt/Winner_ECCV20_TAO verfügbar.