Die mehrfache Objektverfolgung (Multiple Object Tracking, MOT) hängt stark von der Auswahl der wahren positiven detektierten Bounding Boxes ab. Dieser Aspekt des Problems wird jedoch häufig vernachlässigt oder durch den Einsatz eines zweistufigen Assoziationsansatzes sowie die Nutzung von Detektionen mit geringer Konfidenz im zweiten Schritt abgemildert. Kürzlich vorgeschlagene BoostTrack versucht, die Nachteile des mehrstufigen Assoziationsansatzes zu vermeiden und gleichzeitig Detektionen mit geringer Konfidenz zu nutzen, indem eine Aufwertung der Detektionskonfidenz angewendet wird. In diesem Artikel identifizieren wir die Einschränkungen der in BoostTrack verwendeten Konfidenzaufwertung und schlagen eine Methode zur Verbesserung der Leistung vor. Um ein reichhaltigeres Ähnlichkeitsmaß zu konstruieren und eine bessere Auswahl wahrer positiver Detektionen zu ermöglichen, schlagen wir eine Kombination aus Formähnlichkeit, Mahalanobis-Distanz und einer neuartigen weichen BIoU-Ähnlichkeit vor. Wir präsentieren eine Technik zur weichen Aufwertung der Detektionskonfidenz, die neue Konfidenzwerte basierend auf dem Ähnlichkeitsmaß und den vorherigen Konfidenzwerten berechnet, und führen variable Ähnlichkeitsschwellenwerte ein, um die geringere Ähnlichkeit zwischen Detektionen und Tracklets zu berücksichtigen, die nicht regelmäßig aktualisiert werden. Die vorgeschlagenen Erweiterungen sind wechselseitig unabhängig und können in beliebige MOT-Algorithmen integriert werden. In Kombination mit der BoostTrack+-Basislinie erreicht unsere Methode nahezu state-of-the-art-Ergebnisse auf dem MOT17-Datensatz und neue state-of-the-art-Werte für HOTA und IDF1 auf dem MOT20-Datensatz. Der Quellcode ist unter folgender Adresse verfügbar: https://github.com/vukasin-stanojevic/BoostTrack.