SumMe は 25 個のビデオで構成されるビデオ概要データセットで、各ビデオには少なくとも 15 個の人間による注釈があり、合計 390 個の注釈が付いています。

データはビデオ、注釈、評価指標で構成されます。グラウンド トゥルースは、心理学実験から派生した新しい評価パラダイムであり、新しい要約結果が得られるたびにユーザーが調査する必要がなく、一貫した自動評価を可能にします。