Charades データセットには、人々が日常の活動を行っている実際のビデオが含まれています。データ セットは、平均長 30 秒の 9,848 件の毎日の屋内アクティビティ ビデオで構成されており、15 の屋内シーン、30 の動詞と 157 の動作カテゴリを含む 46 のオブジェクト カテゴリのインタラクションが含まれます。

このデータセット内の各ビデオには、複数のカスタム テキスト説明、アクション ラベル、アクション間隔、およびインタラクティブ オブジェクト カテゴリの注釈が付けられます。平均的なビデオには 6.8 のアクションが含まれており、自宅で数百人のユーザーによって作成されます。 267 人のユーザーに、固定語彙の物体と動作を含む文が提示され、その文を実行する様子がビデオ撮影されました。

データセットには、157 のアクション カテゴリ、41,104 のラベルを持つ 46 のオブジェクト カテゴリ、ビデオの 27,847 のテキスト説明に対する 66,500 の時間注釈が含まれています。標準セットには、7,986 のトレーニング ビデオと 1,863 の検証ビデオが含まれています。