发布时间：
没有被拒就有机会，认真对待每一个问题。无论你觉得是幼稚还是无理取闹，每一个审稿人不是什么都懂，提的问题不会都很专业，你要耐心解释。切莫相信那个最高赞的回答，审稿人你是震慑不了的，都是无偿审稿，你凭什么能震慑住别人，有时候态度比你回复的内容更重要。无冤无仇，哪有那么多人故意想为难你。回答问题时，如果审稿人的观点你感觉不对，你也不能直接反击，先从审稿人角度说一下，再解释自己的想法，让审稿人接受。能补数据就补，补不了的就说明原因。每一句话都要保持礼貌，不要轻易质疑审稿人的专业性，让审稿人下不来台，麻烦的是自己，我平日里没时间都是找北京译顶可以帮忙的，价格不高
CVPR这两年变味了
点击上方“视学算法 ”，选择加"星标"或“置顶”
重磅干货，第一时间送达
论文被拒确实是比较打击学生士气。 作为发考题，面对心爱的论文被拒，调整自己心态不是这么难，毕竟混了这么多年了； 现在觉得比较困难的是做cheerleader，时刻为学生打气，帮着问候万恶的reviewer 。
也举自己的例子吧，我的Class Activation Mapping，被拒过两次，目前引用数1500+； 早期的Coherent Filtering的投稿时候自己非常得意，但是当头棒，也是被拒过两次才发表出来； Dynamic Agent的TPAMI投稿，major revision两次，前后搞了一年多，最后被拒，然后转投IJCV一次中。 最近最喜欢的两个工作也是全聚德，只能放arXiv自己宣传（大家期待下）。
所以，还能怎样，论文投稿就是在挫折中前行。 how many roads must a man walk down, before you call him a man?
但是话说回来，很多时候被拒过后修改的版本会比第一次的投稿上很大个台阶。 在目前这种猛糙狠干ddl的时代，同学们熬夜赶出来的第一版往往非常粗糙。 被拒修改的这个过程，可以督促他们挖掘一些之前没有注意到的点，实验也会更深入，工作会做得更完整。
所以我觉得大家不妨换个思路，假设第一次投稿默认被拒，心里会舒服一些。 事实如此，80%被拒率作为先验概率摆这里，无人幸免。
愿世间没有病痛以及rejection。 Hallelujah.
我觉得首先自己需要对工作的价值有个评估，然后再想要不要继续投下去的问题。 如果自己很坚定这个工作是有价值的，那继续投到差一点的会议期刊，或者就放arxiv也是蛮好的，毕竟这年代是金子总会闪光的。 投了这么多年paper最大的感受就是绝大多数reviewer都是不qualified来judge你的paper的，很多时候真正能判断工作价值的只有你自己。 举两个例子吧。
第一个是我们16年做的adabn，当初投了可能至少有3 4次，每次review回来都是说，嗯我觉得这玩意可能真的有点用，但是我觉得也太简单了（用方法简单去拒稿本身就是一个荒谬的理由），reject。 后来一作同学改了改投了个稍微差点的journal，中了也就放在那里了。 然而这东西现在基本会是各种domain adaptation比赛的标配，citation也100多了。
第二个是我们17年做的用mmd的观点去汇总各种distill方法的paper，也是屡投不中，reviewer总是在纠结你这个方法好像最后涨得不多啊。 后来一作同学转正加入公司了，对paper也没那么大的需求就放arxiv了事了。 直到今年cvpr iccv发现有两篇paper其实都是我们的特例，而且居然有一篇还是oral，我也就释然了。 毕竟一个更通俗易懂的故事这年头reviewer才更能看懂。
所以说啊，时间会证明一切，做学术把握好自己的内心最重要~
很多老师还有同学喜欢投文章从极高逐步降低，美其名曰绝对不投亏……
但你可能不知道如果你在某个期刊连续被reject多了……编辑会默认要reject你。 这当然也是有一个冠冕堂皇的理由的： 不能正确评价自己工作的人，并不是一个优秀的科研工作者。
实际上，在整个平台上的接受几率也会影响编辑对你的判断，比如爱思唯尔系统。 只要是在这个系统上的投稿记录，编辑都能查到。
此外，即使你不考虑上面的因素，也该考虑下时间成本。 多投不中的论文只有两种情况： 严重高估和有严重硬伤。
前者可以通过降低level来解决，后者基本就扔了重写吧。 作为一个科学工作者你要有自己的判断。 如果还能抢救一下，降格投呗。 不然只能垃圾桶。
另外，远低于期刊水平的论文投多了可能要被加黑名单的……
but，题主不要灰心啊。 才两次还算不上多投不中。 一般我觉得四五次次还没有正面回复基本就凉了。 就该需要检讨了。
我来个像样的回答吧。T-PAMI是机器学习领域的顶刊，目前来讲，我是将其拜为第一把交椅的。鄙人不才，中过几篇，也有幸应邀审稿。CVPR ICCV，ECCV是模式识别领域的顶会，CVPR鄙人认为他是第一，如上几人所述，这几年随着机器学习，人工智能的大火，有水的成分了，两年一度，文章越来也多了。这两者没有可比性，为什么说没有可比性能呢。先说2017年以前吧，我们实验室想中一个T-PAMI，首先要中三大顶会之一，然后，我们在会议论文的基础上对研究结果进行深挖扩展，基本中T-PAMI就很简单了。2017年之后，实验室陆续出现硬上T-PAMI的现象了。顶会中的也就多了。最后呢，关于大家说论文变水了。其实不然，鄙人不才，说一句话：机器学习逐渐变成一门实验科学了，跟生物医学，生化环材一样，注重实验。所以呢，实验室的年轻本科生自己搭建一个新颖的，了不起的模型，识别率突破、实现的功能创新等，也可以中顶会，我认为这是合理的，毕竟纯搞理论也是不对的。有说错的地方，业内大牛可以指正。
Meta-SR: A Magnification-Arbitrary Network for Super-Resolution Xuecai Hu, Haoyuan Mu, Xiangyu Zhang, Zilei Wang, Tieniu Tan, Jian Sun [ pdf ]
Blind Super-Resolution With Iterative Kernel Correction Jinjin Gu, Hannan Lu, Wangmeng Zuo, Chao Dong [ pdf ]
Camera Lens Super-Resolution Chang Chen, Zhiwei Xiong, Xinmei Tian, Zheng-Jun Zha, Feng Wu [ pdf ], [ supp ]
Deep Plug-And-Play Super-Resolution for Arbitrary Blur Kernels Kai Zhang, Wangmeng Zuo, Lei Zhang [ pdf ]
Towards Real Scene Super-Resolution With Raw Images Xiangyu Xu, Yongrui Ma, Wenxiu Sun [ pdf ]
ODE-Inspired Network Design for Single Image Super-Resolution Xiangyu He, Zitao Mo, Peisong Wang, Yang Liu, Mingyuan Yang, Jian Cheng [ pdf ], [ supp ]
Feedback Network for Image Super-Resolution Zhen Li, Jinglei Yang, Zheng Liu, Xiaomin Yang, Gwanggil Jeon, Wei Wu [ pdf ], [ supp ]
Recurrent Back-Projection Network for Video Super-Resolution Muhammad Haris, Gregory Shakhnarovich, Norimichi Ukita [ pdf ], [ supp ]
Image Super-Resolution by Neural Texture Transfer Zhifei Zhang, Zhaowen Wang, Zhe Lin, Hairong Qi [ pdf ]
Natural and Realistic Single Image Super-Resolution With Explicit Natural Manifold Discrimination Jae Woong Soh, Gu Yong Park, Junho Jo, Nam Ik Cho [ pdf ], [ supp ]
3D Appearance Super-Resolution With Deep Learning Yawei Li, Vagia Tsiminaki, Radu Timofte, Marc Pollefeys, Luc Van Gool [ pdf ], [ supp ]
Fast Spatio-Temporal Residual Network for Video Super-Resolution Sheng Li, Fengxiang He, Bo Du, Lefei Zhang, Yonghao Xu, Dacheng Tao [ pdf ], [ supp ]
Residual Networks for Light Field Image Super-Resolution Shuo Zhang, Youfang Lin, Hao Sheng [ pdf ]
Second-Order Attention Network for Single Image Super-Resolution Tao Dai, Jianrui Cai, Yongbing Zhang, Shu-Tao Xia, Lei Zhang [ pdf ], [ pdf ]
Hyperspectral Image Super-Resolution With Optimized RGB Guidance Ying Fu, Tao Zhang, Yinqiang Zheng, Debing Zhang, Hua Huang [ pdf ]
Learning Parallax Attention for Stereo Image Super-Resolution Longguang Wang, Yingqian Wang, Zhengfa Liang, Zaiping Lin, Jungang Yang, Wei An, Yulan Guo [ pdf ], [ supp ]
Face Super-resolution Guided by Facial Component Heatmaps Xin Yu, Basura Fernando, Bernard Ghanem, Fatih Porikli, Richard Hartley [ pdf ]
Image Super-Resolution Using Very Deep Residual Channel Attention Networks Yulun Zhang, Kunpeng Li, Kai Li, Lichen Wang, Bineng Zhong, Yun Fu [ pdf ]
Super-Resolution and Sparse View CT Reconstruction Guangming Zang, Mohamed Aly, Ramzi Idoughi, Peter Wonka, Wolfgang Heidrich [ pdf ]
Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network Namhyuk Ahn, Byungkon Kang, Kyung-Ah Sohn [ pdf ]
SRFeat: Single Image Super-Resolution with Feature Discrimination Seong-Jin Park, Hyeongseok Son, Sunghyun Cho, Ki-Sang Hong, Seungyong Lee [ pdf ]
To learn image super-resolution, use a GAN to learn how to do image degradation first Adrian Bulat, Jing Yang, Georgios Tzimiropoulos [ pdf ]
Multi-scale Residual Network for Image Super-Resolution Juncheng Li, Faming Fang, Kangfu Mei, Guixu Zhang [ pdf ]
Super-FAN: Integrated Facial Landmark Localization and Super-Resolution of Real-World Low Resolution Faces in Arbitrary Poses With GANs Adrian Bulat, Georgios Tzimiropoulos [ pdf ] [ Supp ]
Fight Ill-Posedness With Ill-Posedness: Single-Shot Variational Depth Super-Resolution From Shading Bjoern Haefner, Yvain Quéau, Thomas Möllenhoff, Daniel Cremers [ pdf ] [ Supp ]
Recovering Realistic Texture in Image Super-Resolution by Deep Spatial Feature Transform Xintao Wang, Ke Yu, Chao Dong, Chen Change Loy [ pdf ]
Fast and Accurate Single Image Super-Resolution via Information Distillation Network Zheng Hui, Xiumei Wang, Xinbo Gao [ pdf ]
Image Super-Resolution via Dual-State Recurrent Networks Wei Han, Shiyu Chang, Ding Liu, Mo Yu, Michael Witbrock, Thomas S. Huang [ pdf ]
Deep Back-Projection Networks for Super-Resolution Muhammad Haris, Gregory Shakhnarovich, Norimichi Ukita [ pdf ] [ Supp ]
Residual Dense Network for Image Super-Resolution Yulun Zhang, Yapeng Tian, Yu Kong, Bineng Zhong, Yun Fu [ pdf ]
FSRNet: End-to-End Learning Face Super-Resolution With Facial Priors Yu Chen, Ying Tai, Xiaoming Liu, Chunhua Shen, Jian Yang [ pdf ]
Unsupervised Sparse Dirichlet-Net for Hyperspectral Image Super-Resolution Ying Qu, Hairong Qi, Chiman Kwan [ pdf ]
“Zero-Shot” Super-Resolution Using Deep Internal Learning Assaf Shocher, Nadav Cohen, Michal Irani [ pdf ]
Deep Video Super-Resolution Network Using Dynamic Upsampling Filters Without Explicit Motion Compensation Younghyun Jo, Seoung Wug Oh, Jaeyeon Kang, Seon Joo Kim [ pdf ] [ Supp ]
Learning a Single Convolutional Super-Resolution Network for Multiple Degradations Kai Zhang, Wangmeng Zuo, Lei Zhang [ pdf ]
Feature Super-Resolution: Make Machine See More Clearly Weimin Tan, Bo Yan, Bahetiyaer Bare [ pdf ]
Frame-Recurrent Video Super-Resolution Mehdi S. M. Sajjadi, Raviteja Vemulapalli, Matthew Brown [ pdf ]
Temporal Shape Super-Resolution by Intra-Frame Motion Encoding Using High-Fps Structured Light Yuki Shiba, Satoshi Ono, Ryo Furukawa, Shinsaku Hiura, Hiroshi Kawasaki [ pdf ] [ Supp ] [ video ]
Robust Video Super-Resolution With Learned Temporal Dynamics Ding Liu, Zhaowen Wang, Yuchen Fan, Xianming Liu, Zhangyang Wang, Shiyu Chang, Thomas Huang [ pdf ]
Detail-Revealing Deep Video Super-Resolution Xin Tao, Hongyun Gao, Renjie Liao, Jue Wang, Jiaya Jia [ pdf ] [ video ]
EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis Mehdi S. M. Sajjadi, Bernhard Scholkopf, Michael Hirsch [ pdf ] [ Supp ][ video ]
Joint Estimation of Camera Pose, Depth, Deblurring, and Super-Resolution From a Blurred Image Sequence Haesol Park, Kyoung Mu Lee [ pdf ] [ Supp ]
Image Super-Resolution Using Dense Skip Connections Tong Tong, Gen Li, Xiejie Liu, Qinquan Gao [ pdf ]
Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution Wei-Sheng Lai, Jia-Bin Huang, Narendra Ahuja, Ming-Hsuan Yang [ pdf ]
Image Super-Resolution via Deep Recursive Residual Network Ying Tai, Jian Yang, Xiaoming Liu [ pdf ]
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network Christian Ledig, Lucas Theis, Ferenc Huszar, Jose Caballero, Andrew Cunningham, Alejandro Acosta, Andrew Aitken, Alykhan Tejani, Johannes Totz, Zehan Wang, Wenzhe Shi [ pdf ] [ poster ] [ video ]
Real-Time Video Super-Resolution With Spatio-Temporal Networks and Motion Compensation Jose Caballero, Christian Ledig, Andrew Aitken, Alejandro Acosta, Johannes Totz, Zehan Wang, Wenzhe Shi [ pdf ] [ poster ]
Hyperspectral Image Super-Resolution via Non-Local Sparse Tensor Factorization Renwei Dian, Leyuan Fang, Shutao Li [ pdf ] [ poster ]
Simultaneous Super-Resolution and Cross-Modality Synthesis of 3D Medical Images Using Weakly-Supervised Joint Convolutional Sparse Coding Yawen Huang, Ling Shao, Alejandro F. Frangi [ pdf ] [ poster ]
Reference Guided Deep Super-Resolution via Manifold Localized External Compensation Wenhan Yang, Sifeng Xia, Jiaying Liu, and Zongming Guo Accepted by IEEE Trans. on Circuit System for Video Technology (TCSVT), June 2018. [ project ]
Joint-Feature Guided Depth Map Super-Resolution With Face Priors Shuai Yang, Jiaying Liu, Yuming Fang, and Zongming Guo IEEE Trans. on Cybernetics (TCYB), Vol.48, No.1, pp.399-411, Jan. 2018. [ project ]
Deep Edge Guided Recurrent Residual Learning for Image Super-Resolution Wenhan Yang, Jiashi Feng, Jianchao Yang, Fang Zhao, Jiaying Liu, Zongming Guo and Shuicheng Yan IEEE Trans. on Image Processing (TIP), Vol.26, No.12, pp.5895-5907, Dec. 2017. [ project ]
Retrieval Compensated Group Structured Sparsity for Image Super-Resolution Jiaying Liu, Wenhan Yang, Xinfeng Zhang, and Zongming Guo IEEE Trans. on Multimedia (TMM), Vol.19, No.2, pp.302-216, Feb. 2017. [ project ]
ECCV2016 Accelerating the Super-Resolution Convolutional Neural Network Chao Dong, Chen Change Loy, Xiaoou Tang [ project ]
Perceptual Losses for Real-Time Style Transfer and Super-Resolution Justin Johnson, Alexandre Alahi, Li Fei-Fei [ pdf ]
End-to-End Image Super-Resolution via Deep and Shallow Convolutional Networks Yifan Wang, Lijun Wang, Hongyu Wang, Peihua Li [ pdf ]
Deeply-Recursive Convolutional Network for Image Super-Resolution Jiwon Kim, Jung Kwon Lee, Kyoung Mu Lee [ pdf ]
Accurate Image Super-Resolution Using Very Deep Convolutional Networks Jiwon Kim, Jung Kwon Lee, Kyoung Mu Lee [ pdf ]
Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network Wenzhe Shi, Jose Caballero, Ferenc Huszar, Johannes Totz, Andrew P. Aitken, Rob Bishop, Daniel Rueckert, Zehan Wang [ pdf ]
Image Super-Resolution Using Deep Convolutional Networks Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI) SRCNN [ project ] [ pdf ] [ supplementary material ]
Neighborhood Regression for Edge-Preserving Image Super-Resolution Yanghao Li, Jiaying Liu, Wenhan Yang and Zongming Guo IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP), Brisbane, Australia, Apr. 2015. [ project ]
Learning a Deep Convolutional Network for Image Super-Resolution Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang ECCV 2014 SRCNN [ project ] [ pdf ]
Super-Resolution From a Single Image Daniel Glasner, Shai Bagon, Michal Irani ICCV 2009 [ project ] [ pdf ]
Video Super-Resolution Based on Spatial-Temporal Recurrent Neural Networks Wenhan Yang, Jiashi Feng, Guosen Xie, Jiaying Liu, Zongming Guo and Shuicheng Yan Computer Vision and Image Understanding (CVIU), Vol.168, pp.79-92, March. 2018. [ project ]
Video Super-Resolution With Convolutional Neural Networks Armin Kappeler ; Seunghwan Yoo ; Qiqin Dai ; Aggelos K. Katsaggelos IEEE Transactions on Computational Imaging [ pdf ]
High Quality Remote Sensing Image Super-Resolution Using Deep Memory Connected Network Wenjia Xu; Guangluan XU; Yang Wang; Xian Sun; Daoyu Lin; Yirong WU IGARSS 2018 - 2018 IEEE International Geoscience and Remote SensingSymposium [ pdf ]
南开更好。
高考志愿-----国内十大名校
1 清华大学
清华大学当选中国大学第一位众望所归，无论学科实力还是影响力，在国际排名中也是前30的高校。
2北京大学
北京大学是学子们梦寐以求的学府，综合类最好的大学，文化底蕴十足，师资力量强大。甚至“北大”就是大学的代名词。
3复旦大学
复旦大学坐落在上海市，原名震旦大学，也是一所历史悠久的高等学府，部属985。
4 浙江大学
浙江大学属于部属985，双一流大学。校训：求实创新。学科特别齐全的学校，基本所有专业都有。学术水平极高。
5 上海交通大学
上交大坐落在上海市，部属985，上交大近些年进步非常大，是由盛宣怀创办的南洋工学发展而来。
6 南京大学
南京大学位于江苏省，华东五校之一。文科较强，工科稍弱，综合实力名列前茅。物理，地质专业一流。
7 中国人民大学
人民大学建校虽然很短，50年代才创办，而且专业大部分都是文科类，但是地理位置不错，在文科方面全国首屈一指。
8 南开大学
南开大学位于渤海之滨天津，张伯苓为救国而创办，是中国“学府北辰”之一！国内外知名度极高。
9 中山大学
中山大学坐落在南方广东省，是由孙中山先生创办，双一流高校，学风严谨，在南方是众多学子们向往的大学。
10 中国科学技术大学
简称“中科大”坐落在安徽省合肥市，部属985，出国率很高，只是理工强劲而文化气息稍逊一些。
我来个像样的回答吧。T-PAMI是机器学习领域的顶刊，目前来讲，我是将其拜为第一把交椅的。鄙人不才，中过几篇，也有幸应邀审稿。CVPR ICCV，ECCV是模式识别领域的顶会，CVPR鄙人认为他是第一，如上几人所述，这几年随着机器学习，人工智能的大火，有水的成分了，两年一度，文章越来也多了。这两者没有可比性，为什么说没有可比性能呢。先说2017年以前吧，我们实验室想中一个T-PAMI，首先要中三大顶会之一，然后，我们在会议论文的基础上对研究结果进行深挖扩展，基本中T-PAMI就很简单了。2017年之后，实验室陆续出现硬上T-PAMI的现象了。顶会中的也就多了。最后呢，关于大家说论文变水了。其实不然，鄙人不才，说一句话：机器学习逐渐变成一门实验科学了，跟生物医学，生化环材一样，注重实验。所以呢，实验室的年轻本科生自己搭建一个新颖的，了不起的模型，识别率突破、实现的功能创新等，也可以中顶会，我认为这是合理的，毕竟纯搞理论也是不对的。有说错的地方，业内大牛可以指正。
同济大学和南开大学哪个更好，不仅要看当前发展现状，更要看未来发展前景。
南开大学在发展现状方面，已经不如同济大学，同时从他们的经费方面来看，同济大学未来的发展还会快于南开大学。我们先来看一下他们的经费情况。
2021年同济大学预算经费达到了107亿元，而同年南开大学的经费只有约58亿元。这就意味着同济大学的办学经费方面的优势，远不是南开大学可以相比的。办大学是一个烧钱的事，没有经费是万万不行的。只有经费到位，大学才能快速发展。我们通过近年来发展速度的较快的深圳大学、苏州大学等院校来比较，就可以轻松得到这个结论。同济大学的经费额度，已经接近南开大学的2倍，他们未来的发展趋势，也通路得到一个相对的比较。
所以，从经费方面来看，同济大学的发展速度优于南开大学。
再看发展现状。
南开大学在第四轮学科评估中，没有获得A+评级学科，这让我们大跌眼镜。曾经的四大名校之一的南开大学，竟然没有一个A+学科，未免说不过去。至少，这样名校级别的985大学，有一、二个A+学科是应该的，有三、四个A+学科是正常，即使他有五、六个A+学科，大学也不会惊讶。但是南开大学只有5个A级学科，9个A-学科。但是南开大学的B+评级以上的学科有23个，说明他的整体依然很强，远不是那些有一个两个A+学科的985大学可比。
虽然南开大学整体实力非常强悍，但是没有A+级学科，让南开大学非常遗憾，没有顶尖大学的感觉。
再来看一下同济大学。同济大学在某些学科方面，保持了全国顶尖水平的地位。第四轮学科评估中，同济大学有A+评级学科，在土木工程、城乡规划学、管理科学与工程、环境科学与工程等4个学科方面，依然是全国最高水平。同济大学在建国之初的高校调整之后，获得了最强的土木类专业、建筑类专业，这个专业依然保持着优势。同时他的B+评级以上的学科有24个，在整体实力方面，比南开大学还经更强一些。
所以，从发展现状方面来看，同济大学优于南开大学。
再从学校所在城市来看，同济大学位于上海，区位优势明显强于南开大学所在的天津市，在未来的发展潜力方面，同济大学还是更好一些。
综上，同济大学要好于南开大学。
如果喜欢理科就选南开大学，如果学工科则选择同济大学。
题主：好！这还真得感谢您。我一直以为南开大学挺厉害，应该跟同济大学差不多，可是认真一比较——同济还真的比南开好得多啊。
1.同济大学是1907年德国医生埃里希·宝隆在上海创办的德文医学堂，1923年定名同济大学，1927年成为国立同济大学，是中国最早的七所国立大学之一。
2.南开大学成立于1919年，1938年与北京大学、清华大学联合组建国立西南联合大学；1946年返回天津并改为国立南开大学。
3.两所大学无论是创立年代、还是办学历程都差不多，同济大学稍早一些。
1.同济大学有：
本科招生专业82个，硕士学位一级学科授权点45个，专业硕士学位授权点26个，博士学位一级学科授权点33个，专业博士学位授权点9个，博士后流动站30个。拥有3个国家重点实验室、1个国家工程实验室。
2.南开大学有：
本科专业93个，硕士学位授权一级学科11个，硕士专业学位授权点27个，博士学位授权一级学科31个，博士后科研流动站28个。有国家重点实验室2个，国家工程研究中心1个，
3.办学实力主要体现在硕博点、博士后科研流动站数量和国家重点实验室多少上；当然还要参考院士数量，从这几个指标看、同济大学也都比南开大学强一些。
两所双一流A类大学之间，如果只是从 历史 积淀、办学实力方面比较，似乎差距并不明显，但是如果比较一下学科评估等级，那么差距就太明显了——
1.同济大学
在第四轮学科评估中有4个学科获得A+、还有一个A和七个A-，A+等级排名全国并列第11位。
2.南开大学
如果说南开大学在第四轮学科评估中一个A+也没有，一般人肯定不会相信，双一流A类大学怎么会一个A+也没有呢？
这个真没有啊！
3.从学科评估等级看
同济大学要比南开大学强很多呀，有4个A+、尤其是土木工程全国第一，其他3个也是并列第一。
所以两所大学的差距好像有点大，可以说是金牌与银牌的差别。
在第五轮学科评估结果公布以前，第四轮学科评估等级就是评价大学水平的最权威、最主要的标准。
虽然两所大学有一些高低差别，但是也与学科或专业方向有关。
同济大学有点偏建筑规划设计、政治、理学及软工科类。
而南开大学有点偏文，理学、经济、 历史 及软工科。
当然还有录取分数差别，在大多数省份同济大学一般都得比南开平均高出十几分，这也是层级差别的一种体现吧。
另外为什么没有提到两所大学的医学专业呢？因为实在是有点提不起来、因为都很一般。例如：临床医学或口腔医学专业，都不如上哈医大、天津医科大学等专门学校去学。
结论：同济比南开高一个层级，相当于金牌与银牌的差别。
感谢关注！
同济大学和南开大学都是全国排前20位的“双一流”（985）大学，真正要比哪个好，确实很难，两所大学可以说各具特色、难分伯仲。
两所大学办学 历史 悠久，都是综合性大学。同济大学最初为1907年德国医生创办的德文医学堂，1923年正式定名同济大学，是中国最早的7所国立大学之一。南开大学正式成立于1919年，1938年曾与北京大学、清华大学在云南昆明合组西南联合大学，为中华民族振兴和国家富强作出了不可磨灭的重要贡献。
优势学科方面，根据第四轮学科评估结果，同济大学评为A-以上的专业有12个，其中土木工程、环境科学与工程、城乡规划学、管理科学与工程为A+，设计学为A，数学、机械工程、计算机科学与技术、建筑学、交通运输工程、风景园林学、软件工程为A-。有33个一级学科博士点、45个一级学科硕士点。
南开大学学科评估A-以上的专业有14个，没有A+级学科，A级学科5个，分别是理论经济学、数学、化学、统计学、工商管理；A-级学科9个，分别为应用经济学、政治学、马克思主义理论、中国语言文学、中国史、世界史、物理学、生物学、环境科学与工程。有30个一级学科博士点、12个一级学科硕士点。
在重大科研平台和设施建设上，同济大学有3个国家重点实验室，1个国家工程实验室、5个国家工程技术研究中心，还有国家重大 科技 基础设施、国家协同创新中心、国家大型科学仪器中心各1个。南开大学有2个国家重点实验室、1个国家工程研究中心。
可以看出，虽然都是综合性大学，但在学科建设和科研设施建设上，两所大学还是有所差异的。同济一流学科实力比南开大学强，有4个A+学科，而南开没有1个。同济A-以上学科偏重理工类，南开A-以上学科既有理科，也有文史，文理兼顾。同济博硕点、国家级科研平台数量要多于南开。
再看看两所985名牌大学的排名。最新一轮软科排名同济大学第16名，南开大学第20名；2021年校友会南开大学第16名，同济大学第21名，南开大学第12名。软科和校友会排名刚好相反。
高考录取分数是一所大学 社会 认可度的真实反映。据相关研究机构统计，2020年全国25省份高考录取平均分数线，文科同济、南开为628分、627分，分别排第11名、第12名；理科同济、南开为660分、652分，分别排第10名、第11名。两所大学录取分数线非常接近，总体上同济大学略高于南开大学。
从上述分析可以看出，在综合实力、 社会 影响力上，同济大学、南开大学难分伯仲、不相上下、旗鼓相当。真正要说区别，一是同济偏重于理工，南开文理并重；二是地理位置不同，一所在上海，一所在天津；三是同济理工类招生计划多于文史类，南开理工类、文史类招生计划相对均衡。因此，除分数和专业兴趣外，这些也是报考时需要考虑的因素。
个人认为，同济大学比南开大学好
同济好。
90年代以前肯定是南开好，后来上海浦东成为中国改革的前沿，上海发展比天津快了很多，借助此优势同济吸引力增大，比南开要发展快。从考分能看出差距来。不过专业偏重不同，选专业又不具有可比性。
同济的优势在于地理位置，两个学校侧重点不同，同济侧重土木，建筑，车辆等工科。南开的基础学科，商科及 社会 学科是同济比不了的。具体要根据个人将来规划来选择。
各有所长，看你希望在哪里领域或者专业发展了。
两者的综合排名差的不多，所以具体哪个好就要看专业了，是不是国家重点学科、双一流学科了
客观的说，南开大学好很多。
具体分析一下：
同济优势学科是传统工科，主要体现在建筑，土木，车辆等领域，南开则完全没有开设这些学科，可以说，除了传统工科，也就是南开但凡开设的学科，均是强于同济。
南开优势是文，理，商，医，新工科。新工科是指计算机，人工智能，大数据这些新兴工科领域。
南开计算机人工智能太强了，2021年1-11月份，南开计算机在世界人工智能顶级期刊TPAMI已发表12篇成果论文，位列全国第四，仅次于清北交，还大有超越之势。
2018年才成立的网络空间安全学院，则在四大安全领域顶会做到了论文四顶会全发，全国仅有三所大学做到四顶会全发，另外两所是浙江大学和香港大学。
南开医学也突飞猛进，已经甩开同济医。
数学统计金融这些学科就更不用多说。南开统计在2016 2020发统计四大刊数排第二，仅次于北大。
南开数学团队在新冠疫情中表现不俗，为全国各地提供疫情预测及分析服务，得到国务院表彰。
可以有益于申请多东西，什么奖啊。
有的学校还能直接保研
你自己看一看知网上的论文，水平参差不齐。。被知网收录并不能说明什么。。。
影响因子14.921，当然不容易中，消化科全球第二，发表与消化道、肝脏、胆道系统和胰腺相关的一流临床研究文章。不过国内作者每年都在上面发不少篇呢，好些医院都发过。如果你比较牛，可以试试。试不中也没关系，投稿后10天内就会退稿，不影响转投。
SCI、EI、ISTP是世界三大重要检索系统，其收录文章的状况是评价国家、单位和科研人员的成绩、水平以及进行奖励的重要依据之一。中国知网不是期刊，知网只是一个数字出版平台，核心、国家级和省级期刊它都有收录，所以论文被知网收录并不能判定论文的质量优劣，要看论文是被哪个期刊收录。楼上说的也不尽然正确，中国期刊中也有不少是SCI，也可以以中文论文形式发表，楼主可以百度搜索：SCI收录中国期刊国家一级期刊名录。
本科生发表一篇sci意味着是国际学术界的高水平论文。
sci论文代表了本专业在世界上被认可的先进成果以及发展趋势。SCI所收录期刊的内容主要涉及数、理、化、农、林、医、生物等基础科学研究领域。
如果你想在本科阶段发成功SCI这里可以给予你一些建议。
1.认清自身
一方面要认清自己有没有静下心来做实验搞科研的耐心和动力，毕竟很多学生高考选专业基本算是盲选，其中有些人不适合这个专业，也有些人对科研毫无兴趣。比如谁说你学化学将来毕业就一定要搞科研？甚至于你出来做和化学无关的事情也很正常。
另一方面要认清自己所学专业出高水平科研成果的可能性。有些专业真的不太好在本科阶段搞出成果，没有成果怎么去发SCI？更别提和SCI基本无缘的社科专业了。
2.学好专业课
搞科研对本科生来说是超纲的，打好专业理论基础才是本科生最该做的事情。你一个学化学的，专业理论基础都不牢固，哪个老师敢让你去做实验？这甚至都不是能不能做的问题，而是你基础打不好，进实验室是要出人命的。这不是开玩笑，化学实验室死人的事情并不鲜见。
3.选好路径
要本科想发SCI无非两条路径：一条是加入学校导师已有的课题组，最后课题组发文的时候带上你的名字。前提是你得能帮上忙。
另一条是你自己有好的选题或你或你们自己有一个课题组，比如大创课题组，导师来指导你做实验写论文，最后你再去投稿。
那要清楚你们学长学姐是一作发表还是后面挂名的，前者作为本科生还是很牛逼的，后者就不算什么。
本科生先不说做实验的问题，能用学术的语言完整写出一篇论文就挺牛逼的，而且还是英语。
回到实验问题，虽说实验操作含金量不高，但是本科生起码需要经过一定的训练才能独立完成实验操作，然后还需要学会一些测试表征仪器的使用，NMR、IR、XRD等，以及对应的数据处理软件，如果这些都由研究生师兄师姐代劳那就另说了。
其次，化学实验特别是有机合成是非常耗时的，长时间的反应过程还有繁杂的后处理过程，过不完的柱子等，这就需要本科生投入大量的时间在有机实验当中。
实验过程中还会遇到大量问题，反应不发生，选择性不高，产率低，过柱子分不开产物点，拿不到纯产物，单晶析不出来等一大堆问题。实验做的都可以让你怀疑人生，一度让自己产生我怎么这么废的想法。
然后坎坎坷坷完成所有的实验，拿到不错的结果，于是开始论文写作。
有些同学可能正式的中文文章都没写过，一下子就开始英文的，于是又看着26个英文字母一脸懵逼。这也不会，那也不会，一天过去了word上还没敲出几十个单词。
好不容易写完了，该投稿了吧，又得对所投期刊进行选择。首先心里先得对自己的论文有个逼数，选择档次匹配的期刊，然后按期刊要求对论文格式进行修改，调整图片分辨率。一切完成之后，开始投稿，有可能不幸的话又得经历拒审、拒稿、重新选择期刊、大修、小修等一系列轮回，最后才能有个accept的结果。
这就是一个人投sci的基本历程，你说难，它又不难，你说它简单，但又没那么容易。
计算机科学班（ACM班）的取名源于一个国际科学教育计算机组织——ACM（Association of Computing Machinery），计算机领域最高奖——图灵奖是由该组织设立和颁发的。这寓意ACM班旨在培养计算机科学家。ACM班创办于2002年，隶属于计算机科学与技术专业，该专业（学科）2007年获“计算机科学与技术”国家重点一级学科，2009年进入世界百强。本专业曾5次获国家级教学成果奖，曾在ACM国际大学生程序竞赛中获三次世界冠军，成为全球第三个获得“三冠王”的高校。ACM班崇尚“先做人、后做学问，在做学问中学做人”的教育理念，创新教育教学改革措施。第一，推行“思想-方法-实践”的素质教育体系，培养学生大志与责任、自主学习能力，形成研究型教学模式和课程体系。第二，实施“实验室-课堂-社会”的科研训练机制，培养学生的研究、实践、协调沟通等综合能力。第三，实行淘汰制和本硕连读制，激发学生学习的积极性和主动性。第四，与微软、IBM等国际知名企业联合培养，拓宽学生视野。十年来，ACM班学生以第一作者身份在NIPS、WWW、SIGIR、SIGMOD、SIGKDD、ICML、AAAI等重要的国际会议和期刊上发表了40余篇论文，并获最佳学生论文1篇，国际影响力不断提升。2011年，ACM班已作为“上海交通大学基础学科拔尖学生培养试验计划”中的计算机科学班纳入致远学院。该班将与由图灵奖获得者、康奈尔大学教授John Hopcroft领衔的国际知名教授组成讲席教授团共同执教与指导，及推荐其攻读博士学位，实施“上海交通大学-国际知名大学-微软亚洲研究院”联合培养。
含金量高。acm省赛的含金量很高,跟pat、ccf等比起来还要高。国际大学生程序设计竞赛(ICPC)是由国际计算机协会(ACM)主办的，一项旨在展示大学生创新能力、团队精神和在压力下编写程序、分析和解决问题能力的年度竞赛。ACM国际大学生程序设计竞赛已经发展成为全球最具影响力的大学生程序设计竞赛。
额~童鞋，搞ACM如果以保研找工作为目标的话，估计你是搞不好的，另外这个ACM的金牌也不是那么容易拿的，能拿区域赛金牌的，估计也不会在乎保不保研了，百度腾讯Google估计就直接签走了，再不济的也是个金山，阿里巴巴什么的，一年10W没啥问题，但是你要想清楚，ACM这条路不是很好走，一旦你四年里没拿什么像样的名次出来……那你自己掂量着办吧~ACM说实话比较苦，完全是靠兴趣才能坚持下去
交大的ACM的确很厉害