Die mehrfachobjektverfolgung (Multi-object tracking, MOT) spielt eine entscheidende Rolle in verschiedenen Bereichen der Computer Vision. Moderne Tracking-by-Detection-Algorithmen behandeln MOT typischerweise als zwei getrennte Aufgaben: Detektion und Assoziation. Allerdings beruhen bestehende Tracker häufig auf empfindlichen Schwellenwerten zur Assoziation von vorherigen Verfolgungstrajektorien mit aktuellen Detektionsergebnissen, um kontinuierliche Bahnen über einen Videosequenz zu bilden. Diese Schwellenwerte sind für die Gesamtleistung des Trackers von entscheidender Bedeutung und erfordern eine manuelle Anpassung für jedes Datenset oder sogar jede Sequenz, was die Anpassungsfähigkeit in realen Anwendungen erheblich einschränkt. Um dieses Problem anzugehen, stellen wir in diesem Artikel AdapTrack vor – einen neuartigen MOT-Algorithmus, der ohne handgefertigte Schwellenwertkonfigurationen auf unterschiedliche Szenarien adaptieren kann. Durch eine sorgfältig entworfene Übereinstimmungsstrategie kann unser Tracker für jedes Frame adaptiv geeignete Schwellenwerte auswählen und die detektierten Objekte korrekt assoziieren. Dadurch erreicht AdapTrack überzeugende Ergebnisse auf Standard-MOT-Benchmarks wie MOT17 und MOT20 und übertrifft dabei bestehende State-of-the-Art-Methoden. Der gesamte Quellcode ist unter https://github.com/kamkyu94/AdapTrack verfügbar.