Moments in Time 是一个大规模动态瞬间数据集，用于识别和理解视频中的动作。该数据集包含 100 万个带有标注的视频。每个视频的长度均为 3 秒。

动作主体涵盖人、动物、物体乃至自然现象，根据当时的动态场景捕捉动作。数据集的类内差异和类间差异均很大，并存在部分或完全依赖于声音信息的动作，如 clapping（拍手）。