ActivityNet-Entities fügt 158.000 Begrenzungsrahmenanmerkungen basierend auf dem ActivityNet Captions-Datensatz hinzu. Jedes Tag ist eine Nominalphrase. Diese Daten können zum Trainieren von Videobeschreibungsmodellen verwendet werden. Der Datensatz demonstriert die Effektivität des Modells bei der Generierung von Beschreibungen auf der Grundlage von Videos und zeigt auch, wie Bildbeschreibungen auf den Flickr30k-Datensatz angewendet werden.