Moving MNIST データセットには 10,000 のビデオ シーケンスが含まれており、各シーケンスは 20 フレームで構成されます。

各ビデオ シーケンスでは、2 つの人物がフレーム内で独立して動き、空間解像度は 64 × 64 ピクセルです。人物は互いに交差したり、フレームの端から飛び出すことがよくあります。