Die bewegungsbezogene Zuordnung für die Multi-Object-Verfolgung (Multi-Object Tracking, MOT) hat in letzter Zeit aufgrund der Entwicklung leistungsstarker Objektdetektoren erneut an Bedeutung gewonnen. Trotzdem existiert bisher nur wenig Forschung, die optische Merkmale jenseits einfacher heuristischer Modelle einbezieht, die anfällig gegenüber einer Verschlechterung der Merkmale sind. In diesem Paper stellen wir eine neuartige Methode vor, um die visuellen Eigenschaften von Objekten zu nutzen, um die optische Übereinstimmung adaptiv in bestehende hochleistungsfähige bewegungsorientierte Verfahren zu integrieren. Aufbauend auf dem rein bewegungsorientierten Ansatz OC-SORT erreichen wir jeweils den 1. Platz bei MOT20 und den 2. Platz bei MOT17 mit 63,9 beziehungsweise 64,9 HOTA. Zudem erzielen wir auf der anspruchsvollen Benchmark DanceTrack einen neuen SOTA-Wert von 61,3 HOTA, selbst im Vergleich zu aufwändiger gestalteten Methoden. Der Quellcode und die Modelle sind unter \url{https://github.com/GerardMaggiolino/Deep-OC-SORT} verfügbar.