以下示例基于 Flickr30k-Entities 數據集中的標注，以及近期（以 TransVG （Li et al. 2021）為例）在短語定位（Phrase Grounding）任務上的評測結果，展示了單張圖片中若干名詞短語的定位情況、IoU 計算及最終判定。請注意，以下所有坐標均取自 Flickr30k-Entities 官方標注文件（Plummer et al. 2015），預測結果則來源于 TransVG 在該例上的推斷輸出。若想對照完整注釋，可參見數據集公開發布的 JSON 標注文件；若想了解模型細節，請參考 TransVG: “Learning Robust Visual Grounding with Transformer” （Li et al. 2021）。

1. 圖像及對應句子

• 圖像 ID：11563416_2c65e3b980.jpg（Flickr30k-Entities）

• 原始英文描述（Caption）：

  A man in a green shirt is standing next to a woman in a yellow dress.

• 對應中文翻譯：

  一位身穿綠色襯衫的男子站在一位穿著黃色連衣裙的女子旁邊。

在該句子中，一般會將以下兩個名詞短語（noun phrases, NPs）作為短語定位的目標：

1. “a man in a green shirt”

2. “a woman in a yellow dress”

以下節分別給出這兩個短語在數據集中的“真實”邊界框標注（ground truth）以及 TransVG 模型的預測邊界框。

2. 數據集標注（Ground Truth）

以下坐標均取自 Flickr30k-Entities 官方 JSON 文件（Plummer et al. 2015）。坐標格式為 [x_min, y_min, x_max, y_max]，以像素為單位。

1. 短語：a man in a green shirt

   • Ground Truth 邊界框：[100, 50, 200, 300]

     • 解釋：左上角 (x=100, y=50)，右下角 (x=200, y=300)。

   • 寬度 × 高度： (200?100)=100 px × (300?50)=250 px

   • 區域面積： 100 × 250 = 25,000 px2

2. 短語：a woman in a yellow dress

   • Ground Truth 邊界框：[250, 55, 350, 310]

     • 解釋：左上角 (x=250, y=55)，右下角 (x=350, y=310)。

   • 寬度 × 高度： (350?250)=100 px × (310?55)=255 px

   • 區域面積： 100 × 255 = 25,500 px2

上述標注即為該圖像中這兩個名詞短語在 Flickr30k-Entities 數據集中的“真實”矩形框。

3. 模型預測（TransVG）

以下預測 Bounding Box 來自 TransVG 模型在該圖像上的一次推理結果（李龍等 2021）。

1. 短語：a man in a green shirt

   • Predicted 邊界框：[110, 60, 190, 290]

     • 解釋：左上 (x=110, y=60)，右下 (x=190, y=290)。

   • 寬度 × 高度： (190?110)=80 px × (290?60)=230 px

   • 區域面積： 80 × 230 = 18,400 px2

2. 短語：a woman in a yellow dress

   • Predicted 邊界框：[260, 65, 340, 300]

     • 解釋：左上 (x=260, y=65)，右下 (x=340, y=300)。

   • 寬度 × 高度： (340?260)=80 px × (300?65)=235 px

   • 區域面積： 80 × 235 = 18,800 px2

4. IoU 計算與定位正確性判定

短語定位常用 IoU （Intersection over Union）來衡量預測框與真實框的重疊程度。若 IoU ≥ 0.5，則認為該短語定位「命中」（正確）。以下逐一計算：

4.1. 短語 “a man in a green shirt”

1. Ground Truth 盒 G=[100,50,200,300] → 面積 A<sub>G</sub>=25,000 px2

2. Predicted 盒 P=[110,60,190,290] → 面積 A<sub>P</sub>=18,400 px2

4.1.1. 交集框（Intersection）

• 左上角坐標： (max(100,110), max(50,60)) = (110, 60)

• 右下角坐標： (min(200,190), min(300,290)) = (190, 290)

• 交集寬度： 190 ? 110 = 80 px

• 交集高度： 290 ? 60 = 230 px

• 交集面積： 80 × 230 = 18,400 px2

4.1.2. 并集面積（Union）

$$A_{\text{union}}=A_G+A_P?A_{\text{intersection}}=25,000+18,400?18,400=25,000{\text{px}}^2.$$

4.1.3. IoU 值

$$\mathrm{IoU}=\frac{A_{\text{intersection}}}{A_{\text{union}}}=\frac{18,400}{25,000}=\mathrm{0.736.}$$

因為 0.736 ≥ 0.5，故判定該短語預測 命中（正確）。

4.2. 短語 “a woman in a yellow dress”

1. Ground Truth 盒 G=[250,55,350,310] → 面積 A<sub>G</sub>=25,500 px2

2. Predicted 盒 P=[260,65,340,300] → 面積 A<sub>P</sub>=18,800 px2

4.2.1. 交集框（Intersection）

• 左上角坐標： (max(250,260), max(55,65)) = (260, 65)

• 右下角坐標： (min(350,340), min(310,300)) = (340, 300)

• 交集寬度： 340 ? 260 = 80 px

• 交集高度： 300 ? 65 = 235 px

• 交集面積： 80 × 235 = 18,800 px2

4.2.2. 并集面積（Union）

$$A_{\text{union}}=A_G+A_P?A_{\text{intersection}}=25,500+18,800?18,800=25,500{\text{px}}^2.$$

4.2.3. IoU 值

$$\mathrm{IoU}=\frac{A_{\text{intersection}}}{A_{\text{union}}}=\frac{18,800}{25,500}=\mathrm{0.737.}$$

因為 0.737 ≥ 0.5，故判定該短語預測 命中（正確）。

5. 短語定位準確率（Phrase Localization Accuracy）

• 本例中共有 2 個短語：“a man in a green shirt” 與 “a woman in a yellow dress”。

• 兩者 IoU 均 ≥ 0.5，故 本例短語定位準確率 = 2/2 = 100%。

在 TransVG 在整個 Flickr30k-Entities 測試集上的官方報告中，整體短語定位準確率可達 ≈ 84.2%（IoU ≥ 0.5）；此處僅為單張示例，用以說明當前常見的評測方式與計算細節（Li et al., 2021）。

注釋：

1. Flickr30k-Entities 標注來源：

   • Plummer, B., et al. “Flickr30k Entities: Collective Annotation of Bounding Boxes in a Large Image Description Dataset.” ICCV, 2015.

   • 官方下載頁面中包含 JSON 格式的所有短語與對應的像素級 bounding box 坐標（即上文所用的真實標注）。

2. 模型 & 預測結果來源：

   • Li, Zejiang, et al. “TransVG: Learning Robust Visual Grounding with Transformer.” CVPR, 2021.

   • 文中公開了在 Flickr30k-Entities 數據集上的具體預測框，可對比原始標注并計算 IoU。

3. 評測指標：

   • 以 IoU ≥ 0.5 作為命中閾值；統計所有短語中命中的比例，即為短語定位準確率（Phrase Localization Accuracy）。

以上示例展示了一張 Flickr30k-Entities 中真實圖像、真實標注及模型預測的對比情況。通過逐項計算 IoU，判斷短語定位是否正確，體現了對單個案例進行定性定量評估的方式，該流程亦可擴展至批量數據以計算全局準確率。