UAV-Human ist ein umfangreicher Datensatz zum Verständnis menschlicher Handlungen. Der Datensatz wurde über einen Zeitraum von drei Monaten per Drohne erfasst. Dabei wurden in den Morgen- und Abendstunden in verschiedenen städtischen und ländlichen Gebieten Videos aufgenommen, die ein breites Spektrum an Motiven, Hintergründen, Lichtverhältnissen usw. abdecken.

Der Datensatz umfasst 67.428 multimodale Videosequenzen und 119 Objekte zur Aktionserkennung. Davon werden 22.476 Frames zur Posenschätzung, 41.290 Frames und 1.144 Identitäten zur Fußgänger-Neuidentifizierung und 22.263 Frames zur Attributerkennung verwendet.