Nous étendons le paradigme classique de suivi par détection à la tâche de suivi d'objets quelconques. Des résultats de détection solides sont d'abord extraits à partir du jeu de données TAO. Des techniques de pointe, telles que le \textbf{B}alanced-\textbf{G}roup \textbf{S}oftmax (\textbf{BAGS}\cite{li2020overcoming}) et DetectoRS\cite{qiao2020detectors}, sont intégrées durant la phase de détection. Ensuite, des caractéristiques d'apparence sont apprises pour représenter tout objet, en entraînant des réseaux de apprentissage de caractéristiques. Plusieurs modèles sont combinés afin d'améliorer à la fois la détection et la représentation des caractéristiques. Enfin, des stratégies simples de liaison basées sur les caractéristiques d'apparence les plus similaires, ainsi qu'un module de post-association au niveau des tracklets, sont appliqués pour générer les résultats finaux de suivi. Notre méthode a été soumise sous le nom de \textbf{AOA} sur le site web du défi. Le code est disponible à l'adresse suivante : https://github.com/feiaxyt/Winner_ECCV20_TAO.