UT-Interaction のヒューマン インタラクション データ セットには、握手、指差し、ハグ、押す、蹴る、殴るという 6 種類の人々間のインタラクションのビデオ (連続アクション) が含まれています。このデータ セットは、時間間隔や境界ボックスなど、これらのインタラクションのグラウンド トゥルース ラベルを提供します。

UT-Interaction には、長さが約 1 分の合計 20 のビデオ シーケンスがあり、各ビデオには少なくとも 1 つのインタラクティブ アクションの実行が含まれており、各ビデオには平均 8 つのアクションの実行が含まれます。ビデオには、15 種類以上の異なる衣装を着た参加者が数名登場します。ビデオは解像度 720*480、30fps を使用し、ビデオ内のキャラクターの高さは約 200 ピクセルです。