Dans cet article, nous proposons une approche de suivi en ligne de plusieurs objets (Multi-Object Tracking, MOT) qui intègre les avantages du suivi d'un seul objet et des méthodes d'association de données dans un cadre unifié pour gérer les détections bruyantes et les interactions fréquentes entre les cibles. Plus précisément, pour appliquer le suivi d'un seul objet dans le contexte du MOT, nous introduisons une perte de suivi sensible aux coûts basée sur un traqueur visuel de pointe, qui incite le modèle à se concentrer sur les distracteurs négatifs difficiles pendant l'apprentissage en ligne. Pour l'association de données, nous proposons des réseaux de correspondance d'attention duals (Dual Matching Attention Networks, DMAN) dotés de mécanismes d'attention spatiale et temporelle. Le module d'attention spatiale génère des cartes d'attention dualles permettant au réseau de se focaliser sur les motifs de correspondance du couple d'images en entrée, tandis que le module d'attention temporelle alloue adaptivement différents niveaux d'attention à différentes échantillons dans la piste pour atténuer les observations bruyantes. Les résultats expérimentaux sur les jeux de données de référence MOT montrent que l'algorithme proposé performe favorablement par rapport aux traqueurs en ligne et hors ligne en termes de métriques préservant l'identité.