Moments in Time は、ビデオ内のアクションを識別して理解するための大規模な動的な瞬間データセットです。このデータセットには、100 万件の注釈付きビデオが含まれています。各ビデオの長さは 3 秒です。

人物、動物、物体、さらには自然現象までをアクションの対象とし、その時のダイナミックなシーンに合わせてアクションを捉えます。データセットにはクラス内およびクラス間の差が大きく、拍手などの部分的または完全に音情報に依存する動作が存在します。