Este proyecto nació de una frustración concreta: los sistemas de videovigilancia generan horas de material que nadie revisa con criterio técnico. VisiónCV empezó como un cuaderno de notas sobre arquitecturas de redes neuronales y se convirtió en un laboratorio donde probamos cada modelo antes de explicarlo.
VisiónCV nació de una frustración concreta: la mayoría de los artículos sobre visión por computadora o se quedan en la superficie o asumen que ya sabes lo que no sabes. Nosotros ocupamos ese espacio intermedio, el de las explicaciones que van al grano sin saltarse los pasos.
El proyecto lo sostienen tres ingenieros que trabajan en seguridad perimetral y análisis de video. No somos un departamento de marketing ni una consultora que vende humo. Publicamos porque necesitamos estas notas para nosotros mismos: cuando resolvemos un problema de calibración de cámaras o depuramos una red que no converge, lo documentamos como nos hubiera gustado encontrarlo.
Escribimos para quien implementa, no para quien solo lee títulos.
VisiónCV nació en 2019 dentro de un laboratorio universitario, cuando el equipo trabajaba en detección de anomalías para cámaras de vigilancia urbana. Los primeros prototipos fallaban con cambios de iluminación y oclusión parcial, así que decidimos dejar de usar arquitecturas preentrenadas y construir nuestros propios modelos convolucionales desde cero.
El punto de inflexión llegó en 2021, al integrar un mecanismo de atención temporal sobre las salidas de la CNN. Eso redujo las falsas alarmas en un 34% en las pruebas de campo con grabaciones reales de estacionamientos y accesos a edificios. Desde entonces, cada solución que publicamos pasa por el mismo filtro: medir el rendimiento sobre material de vigilancia real, no solo sobre conjuntos de datos académicos.
Hoy el proyecto mantiene esa misma disciplina. Los artículos del blog documentan decisiones de arquitectura, comparativas entre capas convolucionales y transformadores, y los errores que encontramos al visualizar mapas de activación. No publicamos teoría abstracta: publicamos lo que probamos, con los parámetros exactos y las limitaciones que aún no hemos resuelto.