L'ensemble de données d'interaction humaine UT-Interaction contient des vidéos de six types d'interactions interhumaines (actions continues) : poignée de main, pointage, étreinte, poussée, coup de pied et coup de poing. L'ensemble de données fournit les étiquettes de vérité fondamentale de ces actions d'interaction, y compris l'intervalle de temps et la zone de délimitation.

UT-Interaction comprend un total de 20 séquences vidéo d'une durée d'environ 1 minute. Chaque vidéo contient au moins une exécution d'action interactive et, en moyenne, chaque vidéo comprend 8 exécutions d'action. Plusieurs participants sont apparus dans la vidéo, avec plus de 15 costumes. La vidéo utilise une résolution de 720*480, 30 ips et la hauteur des caractères dans la vidéo est d'environ 200 pixels.