求助函数excel根据排名计算递减得分公式：

来源：蜘蛛抓取(WebSpider) 时间：2022-11-09 09:10 标签： excel根据排名计算递减得分

急求用Excel计算评标报价得分的函数公式！！！谢谢各位大佬！！！ 报价分 满分30分1.基准价计算方法：以所有有效投标人投标报价的平均值为基准价。2.价格分：①投标人的投标价等于基准价的，价格分得30分； ②投标人的投标价低于基准价的，以30分为基本分，每低1%的扣0.01分；③投标人的投标价高于基准价的，以30分为基本分，每高1%的扣0.02分。

在前面的秘籍一中，我们主要关注了模型加速之轻量化网络，对目标检测模型的实时性难点进行了攻克。但是要想获得较好的检测性能，检测算法的细节处理也极为重要。

在众多的细节处理中，先来介绍非极大值抑制、回归损失函数这2个问题。本文主要介绍秘籍二：非极大值抑制与回归损失的优化之路。

当前的物体检测算法为了保证召回率，对于同一个真实物体往往会有多于1个的候选框输出。由于多余的候选框会影响检测精度，因此需要利用NMS过滤掉重叠的候选框，得到最佳的预测输出。

基本的NMS方法，利用得分高的边框抑制得分低且重叠程度高的边框。然而基本的NMS存在一些缺陷，简单地过滤掉得分低且重叠度高的边框可能会导致漏检等问题。针对此问题陆续产生了一系列改进的方法，如Soft NMS、Softer NMS及IoU-Net等。

目标检测主要的任务：1）对象是什么？2）对象在哪里？其中，对象是什么主要分清楚对象的类别。而对象在哪里，需要寻找这个对象在图像中的位置。回归损失问题就是探讨如何更好地学习对象在哪里。当然最近anchor free的方法有很多，但是主流应用上目前还是基于anchor的方式。

对于有先验框的目标检测，位置是通过学习给定的先验框和真实目标框的距离来进行预测。而这个距离的刻画主要通过距离公式来度量，比如曼哈顿距离L1和欧式距离L2。

那么利用欧式距离来计算存在什么问题呢？继续往下看，下面将详细介绍。一起来看攻克目标检测难点秘籍二：非极大值抑制和回归损失优化之路。

为了保证物体检测的召回率，在Faster RCNN或者SSD网络的计算输出中，通常都会有不止一个候选框对应同一个真实物体。如下图左图是人脸检测的候选框结果，每个边界框有一个置信度得分(confidence score)，如果不使用非极大值抑制，就会有多个候选框出现。右图是使用非极大值抑制之后的结果，符合我们人脸检测的预期结果。

非极大值抑制，顾名思义就是抑制不是极大值的边框，这里的抑制通常是直接去掉冗余的边框。这个过程涉及以下两个量化指标。

  • 预测得分：NMS假设一个边框的预测得分越高，这个框就要被优先考虑，其他与其重叠超过一定程度的边框要被舍弃，非极大值即是指得分的非极大值。
  • IoU：在评价两个边框的重合程度时，NMS使用了IoU这个指标。如果两个边框的IoU超过一定阈值时，得分低的边框会被舍弃。阈值通常会取/JaryHuang/awesome_SSD_FPN_GIoU

　　excel如何排名次的教程：

　　排名步骤1：打开要排名的Excel文件如下图;

　　排名步骤2：我们在排名的下面输入排名rank函数公式进行排名操作，如下图在单元格输入：“=RANK(G3,$G$3:$G$8)”点击回车;

　　排名步骤3：点击回车出现如下图排名结果;

　　排名步骤4：我们通过公式复制完成其他排名如下图;

　　排名步骤5：如下图我们也可以点击排名单元格公式查看检查相关信息。

我要回帖

更多关于 excel根据排名计算递减得分 的文章

 

随机推荐