cvpr的认可度比TPAMI差很多，并且这几年也变味了，水文较多。
不能，tpami期刊是学术宣传用的不能够申请学校。tpami期刊只是类似于报纸的东西。
tpami投稿日期是自己决定的吧。要提交你的论文，请使用奖学金之一手稿。关于将你的论文提交给TPAMI的详细信息，可以在期刊社区的同行评审中找到作者中心。当TPAMI提交的文件是基于以前的会议论文时，IEEE要求期刊论文是前一期出版物的“实质性修订”(30%通常被认为是“实质性的”)，PAMI在个案的基础上解释和应用这一要求，并适当地尊重作者的观点。我们期望在会议文件中看到的改进的例子包括：额外的技术细节，对贡献的更清晰的解释，更多的实验(如果适当的话)，或者最新的最新技术。当然，鼓励作者使期刊版本成为对会议文件的重大改进，例如利用机会整合他们以前的工作，或者进行额外的实质性工作来回答他们的会议论文提出的问题。由于期刊版本打算成为研究的最终、存档版本，TPAMI期望作者将借此机会进一步改进他们的会议论文。
是的。tpami审稿周期，第二次是一审5个半月，二审是两个半月。IEEE模式分析和机器智能期刊TPAMI（IEEETransonPatternAnalysisandMachineIntelligence）出版了有关计算机视觉和图像理解的所有传统领域，模式分析和识别的所有传统领域以及机器智能的选定领域的文章，其中特别强调了用于模式分析的机器学习。
要看往哪里投了
期刊的稿件录用流程大体为：
作者将文章作为附件通过电子邮件投稿；
编辑对作者的文章进行初审并做出处理意见；
通过作者提供的电子邮件地址回复作者，如作者的文章被杂志社采用则同时发送电子版《用稿通知书》；如文章未被采用，也同样通知作者；
收到《用稿通知书》的作者须按照《用稿通知书》上的要求办理汇款及其他相关手续；
杂志社收到汇款后，会发送“收款确认函”给作者，并通知作者文章发表的具体时间及期数；
根据作者的要求，提供书面的《用稿通知书》、收据等证明资料；
杂志社对作者的文章进行编辑、加工及印刷；
杂志出版后，杂志社通过邮寄寄赠当期杂志给作者。
具体时间周期因期刊不同会有差别，半年到一年都属于正常现象。
核心期刊是期刊中学术水平较高的刊物，是进行刊物评价而非具体学术评价的工具。相当一批教学科研单位申请高级职称、取得博士论文答辩资格、申报科研项目、科研机构或高等院校学术水平评估等，都需要在核心期刊上发表一篇或若干篇论文。
是的。tpami审稿周期，第二次是一审5个半月，二审是两个半月。IEEE模式分析和机器智能期刊TPAMI（IEEETransonPatternAnalysisandMachineIntelligence）出版了有关计算机视觉和图像理解的所有传统领域，模式分析和识别的所有传统领域以及机器智能的选定领域的文章，其中特别强调了用于模式分析的机器学习。
tpami是Transactions of Pattern Analysis and Machine Intelligence 期刊的缩写，cvpr是Computer Vision and Pattern Recognition会议的缩写，前者是计算机视觉顶级期刊，后者是计算机视觉三大会议之一。期刊的内容一般比会议丰富，但是会议一般都是最新的东西。两者没有谁更强，无法比较，举例子说A Deep Semi-NMF Model for Learning Hidden Representations是2014CVPR会议的文章，作者把会议论文内容丰富后，投了2016的TPAMI。所以你能体会出来了吧
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。
CVPR这两年变味了
是人工智能领域公认的顶级水平。
TPAMI是计算机视觉和人工智能领域公认的顶级国际期刊，是中国计算机学会（CCF）推荐的A类期刊，也是中国人民大学核心期刊目录中的A+类期刊，影响因子16.389。
2021年1月至今，高瓴人工智能学院已发表或被录用CCF A类期刊和会议论文76篇、CCF B类期刊和论文31篇。
TPAMI是目前计算机类别中影响因子最高（影响因子17.730）的期刊之一，主要收录人工智能、模式识别、计算机视觉及机器学习领域的原创性科研成果。
上海科技大学信息学院智能视觉中心的最新研究成果“Neural Opacity Point Cloud”在人工智能领域顶级学术刊物IEEE TPAMI发表。
TPAMI是模式分析与机器智能IEEE汇刊，中国计算机学会和中国自动化学会等多个学会将其定位为：国际上极少数的顶级刊物，鼓励我国学者去突破。
EEE TPAMI是公认的人工智能、模式识别、图像处理和计算机视觉领域顶级国际期刊，该期刊影响因子（Impact Factor）和谷歌指数（H-Index）在计算机科学和工程技术两个大类学科里均列首位。
同时，该期刊影响因子和谷歌指数列所有计算机学会推荐A类（CCF A类）期刊首位，在计算机科学与人工智能领域具有权威影响力。
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。
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。