L'extraction et le matching des caractéristiques de réidentification (ReID) sont largement utilisés par de nombreuses méthodes d'object tracking multiobjets (MOT) de pointe (SOTA), particulièrement efficaces face aux occlusions fréquentes et prolongées. Bien que les approches de détection et de suivi d'objets en boucle fermée (end-to-end) aient été au centre des recherches récentes, elles n'ont pas encore surpassé les méthodes traditionnelles sur des benchmarks comme MOT17 et MOT20. Par conséquent, du point de vue applicatif, les méthodes basées sur une détection et un embedding séparés restent la meilleure option en termes de précision, de modularité et de facilité d'implémentation, bien qu'elles soient peu pratiques sur les dispositifs embarqués en raison de leur surcharge computationnelle. Dans ce papier, nous explorons une approche sélective visant à minimiser cette surcharge liée à l'extraction de caractéristiques tout en préservant la précision, la modularité et la simplicité d'implémentation. Cette approche est compatible avec diverses méthodes SOTA. Nous démontrons son efficacité en l'appliquant à StrongSORT et Deep OC-SORT. Les expériences menées sur les jeux de données MOT17, MOT20 et DanceTrack montrent que notre mécanisme préserve les avantages de l'extraction de caractéristiques durant les occlusions tout en réduisant significativement le temps d'exécution. En outre, il améliore la précision en évitant les confusions au stade du matching des caractéristiques, notamment dans les cas de déformation et de similarité d'apparence, fréquents dans DanceTrack.https://github.com/emirhanbayar/Fast-StrongSORThttps://github.com/emirhanbayar/Fast-Deep-OC-SORT