L’association basée sur le mouvement pour le suivi multi-objets (MOT) a récemment regagné une importance croissante avec l’émergence de détecteurs d’objets puissants. Malgré cela, peu de travaux se sont penchés sur l’intégration des indices d’apparence au-delà de modèles heuristiques simples, qui manquent de robustesse face à la dégradation des caractéristiques. Dans cet article, nous proposons une nouvelle approche permettant d’utiliser les apparences des objets afin d’intégrer de manière adaptative le matching par apparence dans les méthodes existantes à base de mouvement performantes. En s’appuyant sur la méthode purement basée sur le mouvement OC-SORT, nous obtenons la première place sur le benchmark MOT20 et la deuxième place sur MOT17, avec respectivement 63,9 et 64,9 HOTA. Nous atteignons également 61,3 HOTA sur le benchmark exigeant DanceTrack, établissant ainsi un nouveau record d’état de l’art, même par rapport à des méthodes plus complexes. Le code source et les modèles sont disponibles à l’adresse suivante : \url{https://github.com/GerardMaggiolino/Deep-OC-SORT}.