3D相机和3D感测：3D相机或更一般的3D感测技术允许场景中深度计算和场景3D地图的构建。这项技术已经存在一段时间了，在微软的Kinect等游戏设备中已经普遍应用，最近在iPhoneX生物特征识别中也有应用。此外，机器人、无人机和带有3D摄像头的自动驾驶汽车可以识别物体的形状和大小，用于导航，绘图和障碍物探测。同样，3D相机和立体相机是增强、虚拟和混合现实的支柱。
边缘和云中的深度学习：基于神经网络的人工智能已经风靡全球，而今天可用的计算能力又使得深度学习成为可能。还有其他因素促成了神经网络在实际应用中的增长，包括大学和大型公司用于培训和尖端研发的大量数据（视频、照片、文本），以及它们对开放源代码的贡献。这反过来又引发了神经网络的很多实际应用。事实上，对于机器人、自动驾驶汽车和无人机，在边缘的GPU/SoCs上运行深度学习推理已经成为常态。云将继续用于训练深度学习以及离线存储数据的视频处理，只要网络延迟和视频管道延迟被认为是可接受，边缘和云之间的分离架构处理也是可能的。
同步定位和测绘(SLAM)在汽车、机器人、无人机中的应用：同步定位和测绘(SLAM)是自动驾驶车辆、机器人和无人机的关键部件，这些车辆、机器人和无人机配备有各种类型的摄像头和传感器，例如雷达、激光雷达、超声波等。AR/VR与感知计算：想想微软全息透镜HaloLink，后面是什么？六个带有深度传感器组合的摄像头。微软甚至宣布在英国剑桥开设全息透镜计算视觉研究中心。
安全/监视：本文并不关注这个传统视频和视频分析占主导地位的领域。这本身就是一个很大的市场。基于手机和嵌入式设备的生物认证：生物认证可以触发下一代移动应用程序，再次是摄像头传感器，结合边缘和云上的视频分析，触发这一趋势。随着技术的成熟，它将扩展到各种嵌入式设备。