行動認識では、すべてのフレームが非常に重要です。ビデオ内の人間の行動を完全に理解するには、アクションに応じて各フレームに注釈を付け、ビデオ内で密に注釈を付ける必要があります。 MultiTHUMOS データセットは次のように開発されました。 THUMOS データセット拡張をベースに誕生。

このデータ セットは、65 のアクション クラスの 38,690 個のアノテーションを含むアクション アノテーション コレクションです。注釈が適用されるのは THUMOS'14 アクション検出データセットの 400 個のビデオには、フレームごとに平均 1.5 個のラベルがあり、各ビデオには 10.5 個のアクション カテゴリがあります。