Visión artificial: mercado

Vacante

un empleo abierto que superó el filtro de calidad y menciona al menos dos tecnologías

Candidato observado

un candidato cuyo stack contiene esta tecnología; es un agregado: ni un solo registro sale del perímetro

Candidato emparejable

aún no contabilizado

Ventana

empleos abiertos en el momento en que se generó el snapshot

Cifras basadas en una muestra pequeña: para referencias más amplias, consulta ML Engineer y Research Engineer / Scientist. Junior: entrada típica: máster / doctorado en CV / robótica + portfolio (competiciones de CV en Kaggle, proyectos de CV en GitHub). El salto de Junior a Middle: tras el primer despliegue de CV en producción (una función de detección / segmentación / clasificación publicada). De Middle a Senior: responsabilidad sobre un pipeline de CV multitarea + experiencia en despliegue en el edge o especialización en IA generativa. De Senior a Staff / Principal: estrategia de CV de toda la organización + diseño de arquitecturas propias + vía de publicación de papers. Trayectoria: Backend Senior / ML Engineer Middle (2-3 años) + interés por la CV + portfolio → CV Engineer Junior (1-2 años) → Middle (2-3 años) → Senior → luego 3D Vision Engineer, Edge CV Engineer, Generative AI Engineer (imagen/vídeo) o ML Research CV (papers de vía académica en CVPR / ICCV / ECCV).

Principales 5: python, pytorch, c++, opencv, tensorflow. Python a fondo (sobre todo; componentes edge a veces C++/Rust). Dominio de PyTorch + torchvision, 90%+ del research de CV sobre PyTorch en 2026 (TensorFlow legacy). Dominio de OpenCV: operaciones clásicas de CV (cv2.findContours / cv2.HoughLines / Canny edge / morfología / homografía / calibración de cámara / stereo matching, obligatorio para preprocesado + algoritmos tradicionales). Pillow (PIL, manipulación de imágenes). Detección / segmentación de objetos: Ultralytics YOLO (YOLOv8/v9/v10/v11, estándar de la industria 2026, entrenamiento fácil + buena documentación), Detectron2 (Meta, de nivel research, más flexible), MMDetection / MMSegmentation / MMPose (OpenMMLab, ecosistema enorme), familia DETR (RT-DETR en auge 2026), SAM + SAM 2 (segmentación universal). Modelos self-supervised + foundation: DINOv2 (Meta, el mejor backbone de visión 2024 para extracción de features), CLIP + OpenCLIP + SigLIP (alineación visión-lenguaje), MAE (Masked Autoencoder). Backbones de clasificación: familia ViT, Swin Transformer, ConvNeXt, EfficientNet + MobileNet (eficientes), timm (modelos preentrenados, librería obligatoria). Data augmentation: albumentations (estándar de la industria, 30+ tipos de augmentation), torchvision.transforms.v2 (nativo moderno de PyTorch), RandAugment + AugMix + Mixup + CutMix. LLM multimodal: GPT-4V + Claude 3.5 Sonnet vision + Gemini 1.5/2.0 Pro vision + open-source LLaVA + Qwen 2 VL + InternVL + Idefics2 + Molmo (el mejor multimodal abierto 2024). OCR: PaddleOCR (Baidu, líder multilingüe 2026, 80+ idiomas), EasyOCR, Tesseract (legacy aún enorme), Docling (IBM 2024, comprensión de documentos), Surya, TrOCR (de Microsoft, basado en transformer). Reconocimiento facial: InsightFace (SOTA open-source 2026, modelos ArcFace + RetinaFace + Buffalo), DeepFace, face_recognition. Rusos: NtechLab FaceNGN / VisionLabs Luna / Tevian / RecFaces. Comprensión de vídeo + tracking: ByteTrack (el más rápido 2026), DeepSORT, BoT-SORT, StrongSORT, MOTRv2. Modelos de vídeo: VideoMAE, X-CLIP, InternVideo, MViT. Visión 3D: NeRF (original 2020) + Instant-NGP (NVIDIA, 100× más rápido) + Gaussian Splatting (en auge 2023–2026), Nerfstudio (framework unificado), Open3D (point cloud), PyTorch3D (Meta), Kaolin (NVIDIA), COLMAP (structure-from-motion), Mitsuba 3 (renderizado diferenciable). Imagen / vídeo generativos: familia Stable Diffusion (SDXL + SD3 + SD3.5), FLUX.1 (Black Forest Labs, récord abierto 2024+), DALL-E 3 / Imagen 3 / Midjourney v6 / Ideogram. Vídeo: Runway Gen-3 / Pika 1.5 / Kling AI / Sora / AnimateDiff / SVD. UIs para generativo: ComfyUI (basado en nodos, favorito en research), Automatic1111. Fine-tuning generativo: LoRA + DreamBooth para Stable Diffusion / FLUX. Serving de inferencia: Triton Inference Server + BentoML + TorchServe. Anotación: CVAT (OpenCV, estándar de la industria), Label Studio + V7 Darwin (comercial) + Roboflow (prototipado rápido). Datasets: COCO (benchmark de detección / segmentación) + ImageNet (clasificación) + OpenImages + LAION-5B (entrenamiento generativo a escala web) + Objects365 + Visual Genome + ADE20K (segmentación) + Cityscapes (conducción autónoma). Optimización consciente del hardware: cuantización (INT8 / FP16), pruning, destilación, structured sparsity (para tensor cores NVIDIA Ampere+).

Los tres roles se solapan en 2026, pero el foco es distinto. ML Engineer: generalista, responsable del stack de ML en producción (recsys / fraude / ranking / ML clásico + LLM). Puede trabajar con datos de CV, pero sin especialización profunda. Ver ML Engineer. AI Engineer / LLM Engineer: centrado en la integración de LLM (texto). Ver AI / LLM Engineer. NLP Engineer: centrado en texto + voz. Ver NLP Engineer. Computer Vision Engineer (esta página): centrado en imagen / vídeo / datos 3D. Solapamiento de stack con ML Engineer ~60% (PyTorch + ML en la nube + despliegue) + ~30% propio (OpenCV + Ultralytics + Detectron2 + SAM + albumentations + particularidades del despliegue en el edge: TensorRT / CoreML). Diferencias: 1) Intuición de procesamiento de imagen: el CV Engineer entiende modelos de cámara / distorsión de lente / espacios de color / análisis de histogramas / operaciones morfológicas: la base de la CV clásica. Un AI Engineer normalmente no sabe nada de esto. 2) Restricciones de cómputo: los modelos de CV son pesados (gigabytes), la latencia de inferencia es crítica (conducción autónoma: exigencia de 30+ FPS), despliegue en el edge (dominio de TensorRT / CoreML / OpenVINO): territorio exclusivo de la CV. 3) Especialización en imagen / vídeo generativos: experiencia en flujos de Stable Diffusion / FLUX / ComfyUI: nicho propio de la CV (se solapa con AI Engineer en la generación a partir de texto). 4) Habilidades de visión 3D: NeRF / Gaussian Splatting / nubes de puntos / SLAM / calibración de cámaras: exclusivo de la CV. 5) Conocimiento del dominio: los roles de CV suelen estar ligados a un sector concreto (vehículos autónomos / imagen médica / robótica / AR/VR / imágenes satelitales / control de calidad en fabricación). Cada dominio tiene sus propios datasets + reglas. Cambios de carrera: ML Engineer Senior → CV Engineer: 4-8 meses (hace falta OpenCV + Ultralytics + Detectron2 + albumentations + un dominio). CV Engineer Senior → ML Engineer: 2-4 meses (movimiento lateral sencillo, añade MLOps + nociones de LLM). CV Engineer Senior → AI Engineer (vía LLM): 3-6 meses. Subespecialidades en auge 2025–2026: Visión 3D (Gaussian Splatting) / imagen-vídeo generativos (FLUX + estilo Sora) / multimodal (modelos de visión y lenguaje: LLaVA / Molmo).

Árbol de decisión para detección / segmentación de objetos 2026: 1) Ultralytics YOLO (YOLOv8 / v9 / v10 / v11): la elección por defecto en 2026 para detección de objetos. Pros: entrenamiento fácil (3-5 líneas de código), buena documentación + comunidad, inferencia rápida (tiempo real en CPU + edge), amplio soporte de despliegue (ONNX + TensorRT + CoreML + TFLite nativos). Contras: la licencia de Ultralytics exige AGPL o una licencia comercial ($$) para uso propietario, menos flexible para investigación que Detectron2 / MMDetection. Caso de uso: el 90% de los casos de detección de objetos en producción, prototipos, despliegue en el edge. 2) Detectron2 (Meta): de nivel investigación. Pros: API limpia, flexible (arquitecturas propias fáciles), licencia Apache 2.0 (apta para uso comercial), respaldado por Meta. Contras: entrenamiento más lento que Ultralytics, curva de aprendizaje mayor. Caso de uso: arquitecturas propias complejas, proyectos de investigación, cuando necesitas un control fino del bucle de entrenamiento. 3) MMDetection / MMSegmentation / MMPose (OpenMMLab, consorcio chino): un ecosistema enorme. Pros: 100+ arquitecturas ya implementadas (antiguas y nuevas), las implementaciones de referencia de los papers siempre aparecen ahí primero, Apache 2.0. Contras: muy basado en configuración (curva de aprendizaje empinada), la comunidad en chino a veces es difícil si solo hablas inglés, las dependencias pueden entrar en conflicto. Caso de uso: investigación, comparar muchas arquitecturas, reproducir papers. 4) Familia DETR (detección basada en transformers): cambio de paradigma moderno desde 2020+. RT-DETR (Real-Time DETR, Baidu, en auge desde 2024+: competidor de YOLO en tiempo real), DINO-DETR, Co-DETR. Pros: de extremo a extremo (sin postprocesado NMS), a menudo mejor precisión en escenas complejas. Contras: inferencia más lenta que YOLO, entrenamiento más exigente en cómputo. Caso de uso: necesidades de máxima precisión, escenas complejas (objetos amontonados). 5) SAM (Segment Anything Model, Meta 2023) + SAM 2 (versión para vídeo 2024): segmentación universal. Casos de uso: a) segmentación zero-shot (segmentar cualquier cosa sin entrenamiento), b) herramienta de anotación interactiva (prompt de punto / caja → máscara), c) aceleración del etiquetado de datos (anotación asistida por SAM 10× más rápida). Combínalo con YOLO / Detectron2: detector → SAM para máscaras precisas. 6) Detección clásica (HOG + clasificadores en cascada, OpenCV): solo para casos muy simples, dispositivos edge sin GPU, microcontroladores de bajo consumo (aún relevante en escenarios embebidos). Recomendaciones por defecto 2026: Despliegue en producción + comercial → Ultralytics YOLO (si te vale la AGPL o la licencia comercial) O Detectron2 (alternativa Apache 2.0). Investigación / reproducción de papers → MMDetection. Máxima precisión / escenas complejas → RT-DETR o Co-DETR. Segmentación universal / zero-shot → SAM 2. Aceleración de la anotación → SAM + flujos interactivos (integración con CVAT). Edge / móvil → YOLO con TensorRT (NVIDIA) / CoreML (Apple) / TFLite (Android). Un Senior CV Engineer debe saber cuándo usar cada uno.

Sí, el 24% de los empleos de CV Engineer son full-remote o híbridos. El trabajo de CV es totalmente cloud (entrenamiento en GPUs cloud — A100 / H100, datasets en streaming desde S3 / GCS, despliegue en Kubernetes). Las outsourcing shops — casi siempre remotas en proyectos de CV de EE. UU. Las rusas — híbrido o remoto tras el periodo de prueba. Los bancos rusos (Sber AI Banking CV — reconocimiento facial / verificación de documentos) — híbrido/oficina por compliance de seguridad. Las empresas de vehículos autónomos — caso especial: los roles de research suelen ser remote-friendly, pero el despliegue de producto / las pruebas on-vehicle requieren presencia (Pittsburgh Cruise / Mountain View Waymo / Palo Alto Tesla / etc.). Las empresas de IA generativa (Stability / Black Forest Labs / Runway / Pika / Kling) — full-remote estándar. Las empresas internacionales de voice-AI / NLP se solapan (equipos multimodales) — full-remote. Big Tech CV — híbrido estándar. Hubs de relocación para CV: EE. UU. (Bay Area + Pittsburgh — clústeres de vehículos autónomos + Boston — región Robotics MIT), el Reino Unido (Londres — Wayve), Canadá (Toronto — Vector Institute), Alemania (Berlín AI + Múnich automoción — BMW / Mercedes AI), Francia (París — Hugging Face + Mistral para vision LLM), Japón (Tokio — Sony AI + automoción). Inglés para el remoto internacional de CV — obligatorio (papers de CVPR / ICCV / ECCV + comunidad en inglés).

3D Vision Engineer: subespecialización dentro de CV centrada en la comprensión 3D + el renderizado neuronal. Día a día: 1) Reconstrucción con NeRF / Gaussian Splatting: vídeo de entrada → representación 3D de la escena. Herramientas: Instant-NGP (NVIDIA: NeRF rápido) / Nerfstudio (framework unificado) / gsplat (biblioteca de Gaussian Splatting) / app Polycam para la captura. 2) Procesamiento de nubes de puntos: datos de LiDAR (vehículos autónomos) o cámaras de profundidad (Kinect / RealSense). Herramientas: Open3D / PCL (Point Cloud Library) / PyTorch3D. 3) Structure-from-motion (SfM): varias imágenes 2D → escena 3D. Herramientas: COLMAP (SfM estándar del sector). 4) SLAM (Simultaneous Localization and Mapping): robótica / AR: seguir la pose de la cámara + construir el mapa. Herramientas: ORB-SLAM3 / OpenVSLAM / Kimera. 5) Renderizado diferenciable: aprender 3D a partir de supervisión 2D. Herramientas: Mitsuba 3 / nvdiffrast / Kaolin. 6) Generación 3D: texto → malla 3D (DreamFusion + Magic3D + Zero-1-to-3) o imagen → 3D (TripoSR / InstantMesh: open source 2024+). 7) Procesamiento de mallas: texturizado / retopología / desplegado UV para pipelines de contenido 3D. Stack específico: PyTorch3D (Meta: investigación 3D), Kaolin (NVIDIA: DL 3D), Mitsuba 3 (renderizado diferenciable), Open3D / PCL (nubes de puntos), COLMAP (SfM), Nerfstudio + gsplat (NeRF / 3DGS), API de Python de Blender (manipulación de mallas). Trayectoria: CV Engineer Senior + interés por los gráficos por ordenador + portfolio práctico de NeRF / 3DGS → 3D Vision Engineer: 6-12 meses.

Hoja de ruta: 1) Bases matemáticas: álgebra lineal + cálculo + nociones de geometría proyectiva (transformaciones / homografías / modelos de cámara). "Multiple View Geometry in Computer Vision" de Hartley / Zisserman: la biblia de las matemáticas de CV (se puede usar como referencia, no hace falta leerlo de principio a fin). 2) Python a fondo + nociones de ML: PyTorch + NumPy + Matplotlib. Construye un clasificador de ML sencillo (MNIST). 3) Dominio de OpenCV: operaciones clásicas de CV. Curso: "Computer Vision Course" de PyImageSearch (Adrian Rosebrock, la mejor entrada a OpenCV), documentación oficial + tutoriales de OpenCV. Haz proyectos personales: detección de bordes / panorama por homografía / detección de caras con las clásicas cascadas de Haar. 4) Deep Learning para visión: Stanford CS231n "Convolutional Neural Networks for Visual Recognition" (Karpathy / Li: gratis en YouTube + diapositivas; imprescindible, el curso canónico de deep learning para CV). 5) Práctica con PyTorch + torchvision: entrena ResNet / EfficientNet en CIFAR-10, haz fine-tuning de un modelo preentrenado con tu propio dataset. Aprende a usar la librería timm (modelos preentrenados). 6) Detección de objetos: práctica con Ultralytics YOLO (la entrada más fácil: entrena YOLO con un dataset propio en un día). Después, Detectron2 (más flexible). 7) Segmentación: Mask R-CNN con Detectron2, luego SAM (segmentación universal): prueba la segmentación interactiva. 8) Herramientas de anotación: dominio de CVAT (el estándar del sector para anotar CV). Anota tu propio dataset (10-50 imágenes) y entrena un detector con él. 9) Dominio del data augmentation: la librería albumentations (imprescindible para CV en producción). Entiende la estabilidad del entrenamiento: un augmentation fuerte mejora la robustez. 10) Transformers modernos para CV: Vision Transformer (ViT) + Swin Transformer + DINOv2 (foundation model). Soporte de visión de Hugging Face Transformers. 11) LLM multimodales: prueba GPT-4V + Claude vision + los abiertos LLaVA / Qwen 2 VL para comprender imágenes. 12) Vía de CV generativa (popular en 2024–2026): práctica con Stable Diffusion + FLUX, dominio de los flujos de ComfyUI, fine-tuning con LoRA / DreamBooth. Curso: "Generative AI with Diffusion Models" de DeepLearning.AI. 13) Vía de visión 3D (en auge desde 2024): práctica con NeRF + Gaussian Splatting con el framework Nerfstudio; captura tu propia escena con el móvil (app Polycam) y reconstrúyela como 3DGS. 14) Práctica de despliegue en el edge: convierte un modelo de PyTorch → ONNX → TensorRT (en GPU NVIDIA) y mide la latencia de inferencia. Prueba la conversión a CoreML para Apple Silicon. 15) Portfolio de proyectos personales: a) un pipeline de detección de nivel de producción (por ejemplo, una demo que cuente peces / vehículos / células); b) un LoRA propio de Stable Diffusion / FLUX con tu estilo; c) una reconstrucción con Gaussian Splatting (una escena 3D vistosa a partir de un vídeo del móvil); d) una app móvil de CV (desplegada con CoreML/TFLite). Documenta en GitHub + entrada de blog + vídeo de demostración. Cursos rusos: MIPT DLSchool (módulo de CV, gratis en YouTube), itinerario "Computer Vision" de Karpov.Courses, Otus "Computer Vision", SkillFactory CV, itinerario de visión por computador de School21 (Sber) AI. Internacional (EN): Stanford CS231n (canónico, gratis en YouTube), fast.ai Practical Deep Learning (incluye CV), Hugging Face Computer Vision Course (gratis), el libro "Deep Learning for Computer Vision" de Mohamed Elgendy, PyImageSearch University (Adrian Rosebrock: enfoque aplicado). Libros imprescindibles: "Deep Learning for Vision Systems" de Mohamed Elgendy (Manning), "Multiple View Geometry" de Hartley / Zisserman (referencia matemática), "Computer Vision: Algorithms and Applications" de Richard Szeliski (2.ª edición gratuita en línea, enciclopédico). Conferencias: CVPR (la principal, en junio), ICCV (octubre, alterna con ECCV), ECCV (octubre, en años alternos), NeurIPS (diciembre: ML más amplio con una sección de CV). De Backend Senior / ML Engineer Middle + interés por CV + portfolio a CV Engineer Junior: 6-12 meses. Con doctorado en CV / robótica: entrada directa como Senior CV Engineer.

237 active open CV Engineer positions with explicit CV specifics in our sample. The real pool is many times wider — many CV roles are classified as general ML Engineer / Robotics / AI Engineer (titles like "ML Engineer for autonomous driving" or "Senior Backend Engineer with CV focus"). True CV-focused jobs in CIS + Europe are estimated at 300-1,500 positions active at any moment in 2026 (counting fuzzily classified ones). Geography: the US, Russia, Germany. The real market is broader thanks to the international remote segment (generative AI companies + robotics startups full-remote-friendly). Time to close a Senior CV Engineer — 6-12 weeks (longer than general AI Engineer due to rare-skill — PyTorch deep + classical CV + one domain + edge deployment combination).

Un Senior CV Engineer es responsable del ciclo completo de ingeniería de visión + liderazgo técnico. Bases matemáticas: álgebra lineal + geometría proyectiva (modelos de cámara / homografías / geometría epipolar) + cálculo + teoría de optimización, al nivel de «puedo leer papers de CVPR sin saltarme las fórmulas». Python a fondo + backend de nivel Senior: dominio de async / typing / FastAPI / pytest. Nociones de C++ (para despliegue en el edge + kernels personalizados de OpenCV: deseable). Dominio profundo de PyTorch + torchvision: Datasets / Samplers / Losses / bucles de entrenamiento personalizados, entrenamiento distribuido (DDP para entrenamiento de CV multi-GPU), precisión mixta (FP16 / BF16 obligatorio en producción), acumulación de gradientes para modelos grandes. Dominio de OpenCV: operaciones de CV clásica (calibración / morfología / transformada de Hough / homografía / stereo matching / flujo óptico), nociones de la API de C++ para rutas críticas de rendimiento. Transformers modernos para CV: dominio de ViT / Swin / DINOv2, estrategias de fine-tuning, arquitecturas híbridas CNN-transformer. Dominio de detección / segmentación de objetos: despliegue en producción de Ultralytics YOLO + escritura de arquitecturas personalizadas en Detectron2 + MMDetection / MMSegmentation cuando haga falta + RT-DETR + integración de SAM 2 en pipelines. Dominio del data augmentation: albumentations avanzado (transformaciones personalizadas + estrategias de composición), test-time augmentation (TTA), comprensión de AutoAugment / RandAugment / CutMix / Mixup. Modelos fundacionales: DINOv2 + CLIP + SigLIP + OpenCLIP: casos de uso para extracción de características + clasificación zero-shot + recuperación. LLM multimodales (GPT-4V / Claude vision / LLaVA / Qwen 2 VL / Molmo): cuándo usarlos frente a entrenar un modelo propio. Dominio de la CV generativa (si el track lo incluye): Stable Diffusion + FLUX a fondo: fine-tuning con ControlNet / LoRA / DreamBooth / IP-Adapter / textual inversion. Escritura de workflows en ComfyUI. Nociones de generación de vídeo (AnimateDiff / SVD). Dominio de la visión 3D (si el track lo incluye): NeRF + Gaussian Splatting + Nerfstudio + COLMAP SfM + nubes de puntos con Open3D. Calibración de cámaras + geometría proyectiva a fondo. Dominio del despliegue en el edge: ONNX (exportación entre frameworks + optimización de ONNX Runtime), TensorRT (NVIDIA: cuantización INT8 + desarrollo de plugins si hace falta), CoreML (Apple Silicon: soporte de operaciones Conv2D + particularidades del Neural Engine), TFLite (delegado NNAPI de Android), pipelines de MediaPipe, OpenVINO (iGPU de Intel). Optimización consciente del hardware: cuantización (PTQ + QAT), pruning, destilación (teacher-student), dispersión estructurada (NVIDIA Ampere+ para una aceleración de 2×). Arquitectura de pipelines de CV en producción: diseñar en pizarra un pipeline de extremo a extremo: ingesta de datos (cámaras / discos / streaming en la nube) → preprocesamiento → inferencia por lotes → posprocesamiento → tracking / agregación → acciones posteriores. Sistemas multicámara: sincronización + calibración + fusión para conducción autónoma / videovigilancia. Serving de inferencia: Triton Inference Server (NVIDIA: lo mejor para multimodelo + batching dinámico), DeepStream (analítica de vídeo de NVIDIA), BentoML / TorchServe. Presupuestos de latencia: diseñar para restricciones de tiempo real (conducción autónoma: 30+ FPS, AR: 60+ FPS, moderación de vídeo: por lotes vale), optimización guiada por profiling (NVIDIA Nsight + PyTorch Profiler). Experiencia en el dominio: comprensión profunda de uno o dos dominios (conducción autónoma / imagen médica / búsqueda visual en retail / percepción robótica / AR/VR / imágenes de satélite / control de calidad en fabricación): el principal motor de la prima para Senior+. Estrategia de anotación: diseñar flujos de anotación a gran escala (CVAT / Label Studio + asistencia con SAM), bucles de active learning, control de calidad de las etiquetas. Metodología de evaluación: comprensión profunda de las métricas COCO (AP / AP50 / AP75 / mAP@[.5:.95]), métricas de segmentación (mIoU / Dice / boundary F1), métricas propias del dominio (NDS / mAP para detección en conducción autónoma), evaluación con humanos en el bucle para lo generativo. Soft: redacción de ADRs para decisiones de arquitectura de CV, redacción técnica (documentos de diseño de funcionalidades de CV + borradores de papers si el track es de investigación), colaboración entre equipos (Producto / Backend / Robótica / Hardware), mentoría a CV Engineers Middle, disciplina de lectura de papers (CVPR / ICCV / ECCV / NeurIPS: hay que seguirlos). Inglés para Senior+ IMPRESCINDIBLE: la comunidad de CV, la documentación, los papers y las conferencias son en inglés. Extra opcional: contribuciones open source a Ultralytics / Detectron2 / MMDetection / timm / albumentations / Nerfstudio: aumentan notablemente el valor de mercado para la contratación en CV de Big Tech / vehículos autónomos / IA generativa. Papers en workshops de CVPR / ICCV / ECCV: prima para el track de Research Engineer en CV.