Drive&Act データセットは、車両走行中のドライバーの行動認識のための最先端のマルチモーダル ベンチマークです。データセットには、6 つの異なるビューと 3 つのモダリティ (RGB) からキャプチャされた 960 万フレームの 3D スケルトンとフレーム レベルの階層アノテーションが含まれています。

このデータセットには次の特徴があります。

• 12時間のビデオデータ、合計29のロングシーケンスが含まれています。

• 5 つのビューを備えた校正済みマルチビュー カメラ システム。

• マルチモーダル ビデオ: RGB、IR、深度。

• マーカーレス モーション キャプチャ: 3D ボディ ポーズとヘッド ポーズ

• 83 個の手動で注釈が付けられた階層アクティビティ注釈。
  – レベル 1: 長時間実行タスク (12)。
  – レベル 2: 意味論的動作 (34)
  – レベル 3: オブジェクト インタラクションの 3 つの要素 (動作、オブジェクト、場所) (6|17|14)。