UTD steht für University of Texas at Dallas, MHAD steht für Multimodal Human Action Dataset. Dieser Datensatz besteht aus Videos von 8 Personen, die 27 Aktionen ausführen. Jeder Proband wiederholte eine Aktion viermal, was insgesamt 861 Aktionssequenzen ergab (3 Aktionssequenzen wurden aufgrund von Beschädigungen gelöscht). Der Datensatz verfügt über vier zeitsynchronisierte Datenmodi, nämlich RGB-Video, Tiefenvideo, Skelettposition, Trägheitssignale von der Kinect-Kamera und tragbarer Trägheitssensor.

Dieser Datensatz kann zum Studium von Fusionsmethoden verwendet werden, ähnlich wie der Datensatz Tiefenkameradaten mit Trägheitssensordaten kombiniert. Es kann auch für multimodale Forschung im Bereich der Erkennung menschlichen Verhaltens verwendet werden.