類似性学習は物体追跡の重要なステップとして認識されています。しかし、既存の複数物体追跡手法では、訓練目標として疎な正解マッチングのみを使用しており、画像上の情報量の多い大部分の領域を無視しています。本論文では、対比学習のために一対の画像から数百の領域提案を密集してサンプリングする準密接類似性学習（Quasi-Dense Similarity Learning）を提案します。この類似性学習を既存の検出手法と直接組み合わせることで、移動回帰や運動事前知識に頼らずに準密接追跡（Quasi-Dense Tracking: QDTrack）を構築できます。また、得られた特徴空間は推論時に単純な最近傍探索を許容することがわかりました。そのシンプルさにもかかわらず、QDTrackはMOT、BDD100K、Waymo、TAO追跡ベンチマークにおいてすべての既存手法を上回っています。外部訓練データを使用せずにMOT17で68.7 MOTAを20.3 FPSで達成しています。同様の検出器を持つ手法と比較すると、BDD100KおよびWaymoデータセットでのIDスイッチ数が大幅に減少し、約10ポイントのMOTA向上が見られます。当該コードおよび学習済みモデルはhttp://vis.xyz/pub/qdtrackで公開されています。