普通网友

福岛邦彦在多少年创立了卷积神经网络

请问卷积神经网络的概念谁最早在学术界提出的?

福岛邦彦。2021年4月29日，福岛邦彦（KunihikoFukushima）获得2021年鲍尔科学成就奖。

他为深度学习做出了杰出贡献，其最有影响力的工作当属「Neocognitron」卷积神经网络架构。

其实，熟悉这位JürgenSchmidhuber人都知道，他此前一直对自己在深度学习领域的早期原创性成果未能得到业界广泛承认而耿耿于怀。

1979年，福岛博士在STRL开发了一种用于模式识别的神经网络模型：Neocognitron。很陌生对吧？

但这个Neocognitron用今天的话来说，叫卷积神经网络（CNN），是深度神经网络基本结构的最伟大发明之一，也是当前人工智能的核心技术。什么？

卷积神经网络不是一个叫YannLeCun的大佬发明的吗？怎么又换成了福岛邦彦（KunihikoFukushima）了？

严格意义上讲，LeCun是第一个使用误差反向传播训练卷积神经网络（CNN）架构的人，但他并不是第一个发明这个结构的人。

而福岛博士引入的Neocognitron，是第一个使用卷积和下采样的神经网络，也是卷积神经网络的雏形。

福岛邦彦(KunihikoFukushima)设计的具有学习能力的人工多层神经网络，可以模仿大脑的视觉网络，这种「洞察力」成为现代人工智能技术的基础。

福岛博士的工作带来了一系列实际应用，从自动驾驶汽车到面部识别，从癌症检测到洪水预测，还会有越来越多的应用。

谷歌人工智能写作项目：爱发猫

哪位日本科学家首先提出深度学习技术

最先提出的不太清楚好像不是日本的好文案。

2006年英国的科学家GeoffreyEverestHinton提出了深度学习被广泛关注，近年，日本的福岛邦彦博士的深度学习研究差不多是最前线的研究，希望对你有帮助。

什么是深度学习与机器视觉

深度学习框架，尤其是基于人工神经网络的框架可以追溯到1980年福岛邦彦提出的新认知机[2]，而人工神经网络的历史更为久远。

1989年，燕乐存（YannLeCun）等人开始将1974年提出的标准反向传播算法[3]应用于深度神经网络，这一网络被用于手写邮政编码识别。

尽管算法可以成功执行，但计算代价非常巨大，神经网路的训练时间达到了3天，因而无法投入实际使用[4]。

许多因素导致了这一缓慢的训练过程，其中一种是由于尔根·施密德胡伯（JürgenSchmidhuber）的学生赛普·霍克赖特（SeppHochreiter）于1991年提出的梯度消失问题[5][6]。

与此同时，神经网络也受到了其他更加简单模型的挑战，支持向量机等模型在20世纪90年代到21世纪初成为更加流行的机器学习算法。“深度学习”这一概念从2007年前后开始受到关注。

当时，杰弗里·辛顿（GeoffreyHinton）和鲁斯兰·萨拉赫丁诺夫（RuslanSalakhutdinov）提出了一种在前馈神经网络中进行有效训练的算法。

这一算法将网络中的每一层视为无监督的受限玻尔兹曼机，再使用有监督的反向传播算法进行调优[7]。

在此之前的1992年，在更为普遍的情形下，施密德胡伯也曾在递归神经网络上提出一种类似的训练方法，并在实验中证明这一训练方法能够有效提高有监督学习的执行速度[8][9].自深度学习出现以来，它已成为很多领域，尤其是在计算机视觉和语音识别中，成为各种领先系统的一部分。

在通用的用于检验的数据集，例如语音识别中的TIMIT和图像识别中的ImageNet,Cifar10上的实验证明，深度学习能够提高识别的精度。硬件的进步也是深度学习重新获得关注的重要因素。

高性能图形处理器的出现极大地提高了数值和矩阵运算的速度，使得机器学习算法的运行时间得到了显著的缩短[10][11]。

基本概念[编辑]深度学习的基础是机器学习中的分散表示（distributedrepresentation）。分散表示假定观测值是由不同因子相互作用生成。

在此基础上，深度学习进一步假定这一相互作用的过程可分为多个层次，代表对观测值的多层抽象。不同的层数和层的规模可用于不同程度的抽象[1]。

深度学习运用了这分层次抽象的思想，更高层次的概念从低层次的概念学习得到。

这一分层结构常常使用贪婪算法逐层构建而成，并从中选取有助于机器学习的更有效的特征[1].不少深度学习算法都以无监督学习的形式出现，因而这些算法能被应用于其他算法无法企及的无标签数据，这一类数据比有标签数据更丰富，也更容易获得。

这一点也为深度学习赢得了重要的优势[1]。人工神经网络下的深度学习[编辑]一部分最成功的深度学习方法涉及到对人工神经网络的运用。

人工神经网络受到了1959年由诺贝尔奖得主大卫·休伯尔（DavidH.Hubel）和托斯坦·威泽尔（TorstenWiesel）提出的理论启发。

休伯尔和威泽尔发现，在大脑的初级视觉皮层中存在两种细胞：简单细胞和复杂细胞，这两种细胞承担不同层次的视觉感知功能。受此启发，许多神经网络模型也被设计为不同节点之间的分层模型[12]。

福岛邦彦提出的新认知机引入了使用无监督学习训练的卷积神经网络。燕乐存将有监督的反向传播算法应用于这一架构[13]。

事实上，从反向传播算法自20世纪70年代提出以来，不少研究者都曾试图将其应用于训练有监督的深度神经网络，但最初的尝试大都失败。

赛普·霍克赖特（SeppHochreiter）在其博士论文中将失败的原因归结为梯度消失，这一现象同时在深度前馈神经网络和递归神经网络中出现，后者的训练过程类似深度网络。

在分层训练的过程中，本应用于修正模型参数的误差随着层数的增加指数递减，这导致了模型训练的效率低下[14][15]。为了解决这一问题，研究者们提出了一些不同的方法。

于尔根·施密德胡伯（JürgenSchmidhuber）于1992年提出多层级网络，利用无监督学习训练深度神经网络的每一层，再使用反向传播算法进行调优。

在这一模型中，神经网络中的每一层都代表观测变量的一种压缩表示，这一表示也被传递到下一层网络[8]。

另一种方法是赛普·霍克赖特和于尔根·施密德胡伯提出的长短期记忆神经网络（longshorttermmemory，LSTM）[16]。

2009年，在ICDAR2009举办的连笔手写识别竞赛中，在没有任何先验知识的情况下，深度多维长短期记忆神经网络取得了其中三场比赛的胜利[17][18]。

斯文·贝克提出了在训练时只依赖梯度符号的神经抽象金字塔模型，用以解决图像重建和人脸定位的问题[19]。

其他方法同样采用了无监督预训练来构建神经网络，用以发现有效的特征，此后再采用有监督的反向传播以区分有标签数据。辛顿等人于2006年提出的深度模型提出了使用多层隐变量学习高层表示的方法。

这一方法使用斯摩棱斯基于1986年提出的受限玻尔兹曼机[20]对每一个包含高层特征的层进行建模。模型保证了数据的对数似然下界随着层数的提升而递增。

当足够多的层数被学习完毕，这一深层结构成为一个生成模型，可以通过自上而下的采样重构整个数据集[21]。辛顿声称这一模型在高维结构化数据上能够有效低提取特征[22]。

吴恩达和杰夫·迪恩（JeffDean）领导的谷歌大脑（英语：GoogleBrain）团队创建了一个仅通过YouTube视频学习高层概念（例如猫）的神经网络[23][24]。

其他方法依赖了现代电子计算机的强大计算能力，尤其是GPU。

2010年，在于尔根·施密德胡伯位于瑞士人工智能实验室IDSIA的研究组中，丹·奇雷尚（DanCiresan）和他的同事展示了利用GPU直接执行反向传播算法而忽视梯度消失问题的存在。

这一方法在燕乐存等人给出的手写识别MNIST数据集上战胜了已有的其他方法[10]。

截止2011年，前馈神经网络深度学习中最新的方法是交替使用卷积层（convolutionallayers）和最大值池化层（max-poolinglayers）并加入单纯的分类层作为顶端。

训练过程也无需引入无监督的预训练[25][26]。从2011年起，这一方法的GPU实现[25]多次赢得了各类模式识别竞赛的胜利，包括IJCNN2011交通标志识别竞赛[27]和其他比赛。

这些深度学习算法也是最先在某些识别任务上达到和人类表现具备同等竞争力的算法[28]。深度学习结构[编辑]深度神经网络是一种具备至少一个隐层的神经网络。

与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。

深度神经网络通常都是前馈神经网络，但也有语言建模等方面的研究将其拓展到递归神经网络[29]。

卷积深度神经网络（CovolutionalNeuronNetworks,CNN）在计算机视觉领域得到了成功的应用[30]。

此后，卷积神经网络也作为听觉模型被使用在自动语音识别领域，较以往的方法获得了更优的结果[31]。

深度神经网络[编辑]深度神经网络（deepneuronnetworks,DNN）是一种判别模型，可以使用反向传播算法进行训练。

权重更新可以使用下式进行随机梯度下降求解：其中，为学习率，为代价函数。这一函数的选择与学习的类型（例如监督学习、无监督学习、增强学习）以及激活函数相关。

例如，为了在一个多分类问题上进行监督学习，通常的选择是使用Softmax函数作为激活函数，而使用交叉熵作为代价函数。Softmax函数定义为，其中代表类别的概率，而和分别代表对单元和的输入。

交叉熵定义为，其中代表输出单元的目标概率，代表应用了激活函数后对单元的概率输出[32]。深度神经网络的问题[编辑]与其他神经网络模型类似，如果仅仅是简单地训练，深度神经网络可能会存在很多问题。

常见的两类问题是过拟合和过长的运算时间。深度神经网络很容易产生过拟合现象，因为增加的抽象层使得模型能够对训练数据中较为罕见的依赖关系进行建模。

对此，权重递减（正规化）或者稀疏（-正规化）等方法可以利用在训练过程中以减小过拟合现象[33]。

另一种较晚用于深度神经网络训练的正规化方法是丢弃法（"dropout"regularization），即在训练中随机丢弃一部分隐层单元来避免对较为罕见的依赖进行建模[34]。

反向传播算法和梯度下降法由于其实现简单，与其他方法相比能够收敛到更好的局部最优值而成为神经网络训练的通行方法。

但是，这些方法的计算代价很高，尤其是在训练深度神经网络时，因为深度神经网络的规模（即层数和每层的节点数）、学习率、初始权重等众多参数都需要考虑。

扫描所有参数由于时间代价的原因并不可行，因而小批量训练（mini-batching），即将多个训练样本组合进行训练而不是每次只使用一个样本进行训练，被用于加速模型训练[35]。

而最显著地速度提升来自GPU，因为矩阵和向量计算非常适合使用GPU实现。但使用大规模集群进行深度神经网络训练仍然存在困难，因而深度神经网络在训练并行化方面仍有提升的空间。

深度信念网络[编辑]一个包含完全连接可见层和隐层的受限玻尔兹曼机（RBM）。注意到可见层单元和隐层单元内部彼此不相连。

深度信念网络（deepbeliefnetworks，DBN）是一种包含多层隐单元的概率生成模型，可被视为多层简单学习模型组合而成的复合模型[36]。

深度信念网络可以作为深度神经网络的预训练部分，并为网络提供初始权重，再使用反向传播或者其他判定算法作为调优的手段。

这在训练数据较为缺乏时很有价值，因为不恰当的初始化权重会显著影响最终模型的性能，而预训练获得的权重在权值空间中比随机权重更接近最优的权重。这不仅提升了模型的性能，也加快了调优阶段的收敛速度[37]。

深度信念网络中的每一层都是典型的受限玻尔兹曼机（restrictedBoltzmannmachine，RBM），可以使用高效的无监督逐层训练方法进行训练。

受限玻尔兹曼机是一种无向的基于能量的生成模型，包含一个输入层和一个隐层。图中对的边仅在输入层和隐层之间存在，而输入层节点内部和隐层节点内部则不存在边。

单层RBM的训练方法最初由杰弗里·辛顿在训练“专家乘积”中提出，被称为对比分歧（contrastdivergence,CD）。

对比分歧提供了一种对最大似然的近似，被理想地用于学习受限玻尔兹曼机的权重[35]。当单层RBM被训练完毕后，另一层RBM可被堆叠在已经训练完成的RBM上，形成一个多层模型。

每次堆叠时，原有的多层网络输入层被初始化为训练样本，权重为先前训练得到的权重，该网络的输出作为新增RBM的输入，新的RBM重复先前的单层训练过程，整个过程可以持续进行，直到达到某个期望中的终止条件[38]。

尽管对比分歧对最大似然的近似十分粗略（对比分歧并不在任何函数的梯度方向上），但经验结果证实该方法是训练深度结构的一种有效的方法[35]。

卷积神经网络[编辑]主条目：卷积神经网络卷积神经网络（convolutionalneuronnetworks，CNN）由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（poolinglayer）。

这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更优的结果。这一模型也可以使用反向传播算法进行训练。

相比较其他深度、前馈神经网络，卷积神经网络需要估计的参数更少，使之成为一种颇具吸引力的深度学习结构[39]。

卷积深度信念网络[编辑]卷积深度信念网络（convolutionaldeepbeliefnetworks，CDBN）是深度学习领域较新的分支。

在结构上，卷积深度信念网络与卷积神经网络在结构上相似。因此，与卷积神经网络类似，卷积深度信念网络也具备利用图像二维结构的能力，与此同时，卷积深度信念网络也拥有深度信念网络的预训练优势。

卷积深度信念网络提供了一种能被用于信号和图像处理任务的通用结构，也能够使用类似深度信念网络的训练方法进行训练[40]。

结果[编辑]语音识别[编辑]下表中的结果展示了深度学习在通行的TIMIT数据集上的结果。TIMIT包含630人的语音数据，这些人持八种常见的美式英语口音，每人阅读10句话。

这一数据在深度学习发展之初常被用于验证深度学习结构[41]。TIMIT数据集较小，使得研究者可以在其上实验不同的模型配置。

方法声音误差率(PER,%)随机初始化RNN26.1贝叶斯三音子GMM-HMM25.6单音子重复初始化DNN23.4单音子DBN-DNN22.4带BMMI训练的三音子GMM-HMM21.7共享池上的单音子DBN-DNN20.7卷积DNN20.0图像分类[编辑]图像分类领域中一个公认的评判数据集是MNIST数据集。

MNIST由手写阿拉伯数字组成，包含60,000个训练样本和10,000个测试样本。与TIMIT类似，它的数据规模较小，因而能够很容易地在不同的模型配置下测试。

YannLeCun的网站给出了多种方法得到的实验结果[42]。截至2012年，最好的判别结果由Ciresan等人在当年给出，这一结果的错误率达到了0.23%[43]。

深度学习与神经科学[编辑]计算机领域中的深度学习与20世纪90年代由认知神经科学研究者提出的大脑发育理论（尤其是皮层发育理论）密切相关[44]。

对这一理论最容易理解的是杰弗里·艾尔曼（JeffreyElman）于1996年出版的专著《对天赋的再思考》（RethinkingInnateness）[45]（参见斯拉格和约翰逊[46]以及奎兹和赛杰诺维斯基[47]的表述）。

由于这些理论给出了实际的神经计算模型，因而它们是纯计算驱动的深度学习模型的技术先驱。这些理论指出，大脑中的神经元组成了不同的层次，这些层次相互连接，形成一个过滤体系。

在这些层次中，每层神经元在其所处的环境中获取一部分信息，经过处理后向更深的层级传递。这与后来的单纯与计算相关的深度神经网络模型相似。这一过程的结果是一个与环境相协调的自组织的堆栈式的转换器。

正如1995年在《纽约时报》上刊登的那样，“……婴儿的大脑似乎受到所谓‘营养因素’的影响而进行着自我组织……大脑的不同区域依次相连，不同层次的脑组织依照一定的先后顺序发育成熟，直至整个大脑发育成熟。

”[48]深度结构在人类认知演化和发展中的重要性也在认知神经学家的关注之中。发育时间的改变被认为是人类和其他灵长类动物之间智力发展差异的一个方面[49]。

在灵长类中，人类的大脑在出生后的很长时间都具备可塑性，但其他灵长类动物的大脑则在出生时就几乎完全定型。

因而，人类在大脑发育最具可塑性的阶段能够接触到更加复杂的外部场景，这可能帮助人类的大脑进行调节以适应快速变化的环境，而不是像其他动物的大脑那样更多地受到遗传结构的限制。

这样的发育时间差异也在大脑皮层的发育时间和大脑早期自组织中从刺激环境中获取信息的改变得到体现。当然，伴随着这一可塑性的是更长的儿童期，在此期间人需要依靠抚养者和社会群体的支持和训练。

因而这一理论也揭示了人类演化中文化和意识共同进化的现象[50]。公众视野中的深度学习[编辑]深度学习常常被看作是通向真正人工智能的重要一步[51]，因而许多机构对深度学习的实际应用抱有浓厚的兴趣。

2013年12月，Facebook宣布雇用燕乐存为其新建的人工智能实验室的主管，这一实验室将在加州、伦敦和纽约设立分支机构，帮助Facebook研究利用深度学习算法进行类似自动标记照片中用户姓名这样的任务[52]。

2013年3月，杰弗里·辛顿和他的两位研究生亚历克斯·克里泽夫斯基和伊利娅·苏特斯科娃被谷歌公司雇用，以提升现有的机器学习产品并协助处理谷歌日益增长的数据。

谷歌同时并购了辛顿创办的公司DNNresearch[53]。批评[编辑]对深度学习的主要批评是许多方法缺乏理论支撑。大多数深度结构仅仅是梯度下降的某些变式。

尽管梯度下降已经被充分地研究，但理论涉及的其他算法，例如对比分歧算法，并没有获得充分的研究，其收敛性等问题仍不明确。深度学习方法常常被视为黑盒，大多数的结论确认都由经验而非理论来确定。

也有学者认为，深度学习应当被视为通向真正人工智能的一条途径，而不是一种包罗万象的解决方案。尽管深度学习的能力很强，但和真正的人工智能相比，仍然缺乏诸多重要的能力。

理论心理学家加里·马库斯（GaryMarcus）指出：就现实而言，深度学习只是建造智能机器这一更大挑战中的一部分。

这些技术缺乏表达因果关系的手段……缺乏进行逻辑推理的方法，而且远没有具备集成抽象知识，例如物品属性、代表和典型用途的信息。

最为强大的人工智能系统，例如IBM的人工智能系统沃森，仅仅把深度学习作为一个包含从贝叶斯推理和演绎推理等技术的复杂技术集合中的组成部分[54]。

请帮忙翻译这段自动化英语,5号前请尽快,谢谢.

1_rst波的兴趣，神经网络（也称为'联结模式'或'平行分布式处理'）后，出现了引进simpli_ed神经元麦卡洛克和皮茨在1943年（麦卡洛克和皮茨，1943年）。

这些神经元被作为模式生物的神经元，并作为概念性组件电路，还可以履行的计算任务。

当minsky和Papert）出版他们的著作感知器在1969年（minsky＆Papert），1969），其中显示de_ciencies的感知器模型，大多数神经网络的资金被重定向和研究人员离开_eld。

只有少数研究者们继续e_orts，最显着的teuvoKohonen神经，斯蒂芬grossberg，詹姆斯安德森，并福岛邦彦。

4月最新番动画类型介绍更新时间 4月最新韩剧介绍更新时间

臀犬|ケツ犬日期2010年4月1日类别TV版各话2分30秒×全13话看点网络人气漫画动画化，S田，《银魂》过后也不会失业！

面瘫君敬请加油班底原作：ライフスタイル角田监督/脚本/动画制作：春日森春木声优杉田智和冈本光右つぶやきシロー锅井まき子野引香里清水圣水野理沙真恋姬无双～乙女大乱～|真恋姫无双～乙女大乱～日期2010年4月1日类别TV版看点美少女三国名作《恋姬无双》新系列，如题目所言，看点是“乙女大乱”……班底原作：BaseSon监督：中西伸彰系列：杂破业人设：大岛美和制作：动画工房声优黒河奈美西泽广香鸣海绘理香本井恵美小林真纪雨宫侑布前田幸惠HEROMAN|HEROMAN日期2010年4月1日类别TV版看点山姆宅菊身心一体，蜘蛛侠之父与骨头社魂灵一致，于是这出SF王道作品，出现了…班底原作：Stan·Lee监督：难波日登志系列：大和屋晓设定：大和茂人制作：BONES声优小松未可子木村良平小幡真裕チョー进藤尚美保村真陶山章央石冢运升B型H系|B型H系日期2010年4月1日类别TV版看点要找到100个伴侣！

于是有点糟糕（请再糟糕点吧）的恋爱喜剧登场！

女性声优强大班底原作：三里阳子监督：山本裕介系列构成：西园悟角色设定/作画监督：八寻裕子声优田村由佳莉阿部敦堀江由衣花泽香菜下田麻美能登麻美子小林优冥户留美王牌投手夏日大会篇|おおきく振りかぶって～夏の大会编～日期2010年4月1日类别TV版看点激情，不，基情在飞扬；全力以赴，不，全力意腐吧少年！

于是，终于出第二季了~班底原作：樋口朝监督：水岛努系列：黑田洋介人设：吉田隆彦制作：A-1Pictures声优代永翼中村悠一谷山纪章下野纮佐藤雄大铃木千寻角研一郎福山润木村良平会长是女仆大人|会长はメイド様！

日期2010年4月1日类别TV版看点又见少女漫画，又见J.C.STAFF！

蜂蜜樱兰skip君届之后，粉意桃心，纯情期待满点班底原作:藤原ヒロ监督:樱井弘明系列:池田真美子角色:井本由纪制作:J.C.STAFF声优藤村步冈本信彦椎桥和义花泽香菜小林优市来光弘寺岛拓笃铃村健一最后的大魔王|いちばんうしろの大魔王日期2010年4月2日类别TV版看点将来的职业…是魔王！

渡部高志等萌系高手调制下的SF大作，另：丰崎爱生大活跃！

班底原作：水城正太郎监督：渡部高志人物设定：小林利充系列构成：吉冈たかを声优近藤隆丰崎爱生日笠阳子悠木碧代永翼伊藤静广桥凉たかはし智秋AngelBeats!|AngelBeats!日期2010年4月2日类别TV版全13话看点创造了诸多GALGAME神话的KEY社麻枝准备受期待的春番大作。

团长再现！

娘娘是看点班底原作:麻枝准角色:Na-Ga监督:岸诚二人设:平田雄三制作:ピーエーワークス声优神谷浩史樱井浩美花泽香菜喜多村英梨木村良平水岛大宙斋藤枫子牧野由依拳王创世纪1影道篇|リングにかけろ1影道编日期2010年4月2日类别TV版看点看点是车田正美，看点是星矢打拳击……班底原作：车田正美系列构成：黑田洋介角色设计：荒木伸吾制作：东映动画声优森田成一田中理惠置鲇龙太郎草尾毅石川英郎神谷浩史樱井孝宏高冈香宝石宠物Tinkle☆|ジュエルペットてぃんくる☆日期2010年4月3日类别TV版看点幼女向，三丽鸥与世嘉玩具共同企划的《宝石宠物》第2季作品班底原作：SANRIO/SEGATOYS监督：山本天志系列：岛田满制作：STUDIOCOMET声优高森奈津美斋藤彩夏沢城みゆき竹达彩奈平野绫清水爱赤羽根健治福山润SD高达三国传|SDガンダム三国伝BraveBattleWarriors日期2010年4月3日类别TV版看点SD高达VS三国风云人物！

刘备曹操孙权披坚执锐萝卜化……班底原作:矢立肇富野由悠季监督:森邦宏系列:浦畑达彦SD:寺岛慎也企画:日升声优梶裕贵安元洋贵加藤将之棒球大联盟第6季|MAJOR6thSeries日期2010年4月3日类别TV版全25话看点根据第5季的故事情节来看，动画第6季很有可能是《棒球大联盟》的完结篇。

班底原作:满田拓也监督:福岛利规系列:土屋理敬音乐:中川幸太郎制作:SynergySP声优森久保祥太郎浪川大辅落合弘治森田成一笹本优子咲野俊介野田顺子薄樱鬼|薄桜鬼日期2010年4月3日类别TV版看点新撰组美，薄樱鬼美，女性向游戏中真正的大作，终于动画化！

班底原作：IdeaFactory监督：ヤマサキオサム角色：中岛敦子制作：STUDIODEEN声优桑岛法子三木真一郎森久保祥太郎鸟海浩辅吉野裕行游佐浩二大川透变身！

公主偶像|ひめチェン！おとぎちっくアイドルリルぷりっ日期2010年4月4日类别TV版看点SEGA与小学馆共同开发的卡片类女孩向街机游戏《变身！

公主偶像》动画化班底原作：SEGA/小学馆人物原案：阵名まい声优石黑千寻佐藤聪美三上枝织逆转监督|GIANTKILLING日期2010年4月4日类别TV版全26话看点以足球教练为主角的热血题材，虽然视角鲜有，但声优居然出奇强大……班底原作：ツジトモ原案：纲本将也监督：红优系列：川濑敏文制作：STUDIODEEN声优关智一置鮎龙太郎小野大辅水岛大宙川岛得爱浅野真澄迷糊餐厅|WORKING!!日期2010年4月4日类别TV版看点吐槽，吐槽才是人生的真谛啊！

班底原作：高津狩野监督/系列构成：平池芳正角色：足立慎吾制作：A-1Pictures声优福山润阿澄佳奈藤田咲喜多村英梨渡边久美子小野大辅神谷浩史白石凉子荒川爆笑团|荒川アンダーザブリッジ日期2010年4月4日类别TV版看点新房！

神谷！路人田！元祖级电波系新感觉搞笑爱情（？）喜剧！

班底原作：中村光监督：新房昭之角色设计：杉山延宽音乐：横山克制作：SHAFT声优神谷浩史坂本真绫藤原启治杉田智和子安武人沢城みゆき斋藤千和大冢芳忠亲吻姐姐|kiss×sis日期2010年4月5日类别TV版看点这样一部“禁断”的作品，挣扎挣扎着，居然真的TV化了！

可喜可贺可喜可贺班底原作：ぢたま某监督：名和宗则系列：长谷川胜己角色：下谷智之制作：feel.声优竹达彩奈巽悠衣子武内健永田依子今井麻美大龟明日香迷途猫OVERRUN|迷い猫オーバーラン！

日期2010年4月6日类别TV版全12话看点本作的另一译名——娇蛮猫娘大横行，这就是看点……轻小说众今年真是有福啊班底原作：松智洋撰写/ぺこ插画系列构成：松智洋角色设计：中本尚动画制作：AIC声优伊藤かな恵井口裕香竹达彩奈佐藤聪美冈本信彦堀江由衣吉野裕行二舍六房的七人|RAINBOW二舎六房の七人日期2010年4月6日类别TV版看点七个少年犯、七宗罪…Madhouse暗黑向青春残酷物语，小栗旬做主役，林原惠做解说班底原作：安部让二/柿崎正澄监督：神志那弘志系列：高屋敷英夫制作：Madhouse声优小栗旬贯地谷しほり小山力也脇知弘藤原启治朴璐美黒田崇矢羽染达也轻音少女第2季|けいおん！

！

日期2010年4月6日类别TV版看点萌遍江山的轻音少女第二季……班底原作：かきふらい监督：山田尚子系列构成：吉田玲子动画制作：京都动画声优丰崎爱生日笠阳子佐藤聪美寿美菜子竹达彩奈真田麻美藤东知夏米泽圆无法逃离的背叛|裏切りは仆の名前を知っている日期2010年4月11日类别TV版看点声色云集，腐女必看！

班底原作:小田切萤监督:樱美胜司系列:桥奈津子音乐:海田庄吾制作:J.C.STAFF声优保志总一朗樱井孝宏井上麻里奈福山润小野大辅宫野真守三木真一郎石田彰江户盗贼团五叶|さらい屋五叶日期2010年4月15日类别TV版看点manglobe最新作品，画风新奇，节奏感强，故事诙谐又不失内涵，并有强大声优助阵班底原作：オノ…ナツメ监督/故事构成：望月智充角色：中泽一登制作：manglobe声优浪川大辅樱井孝宏大浦冬华高冢正也内田夕夜木下浩之高梁碧宝龟克寿魔术快斗|まじっく快斗日期2010年4月17日类别TV版看点柯南fan，基德fan，青山fan都记得要看……班底原作：青山刚昌声优暂无名侦探柯南天空的遇难船|名探侦コナン天空の难破船日期2010年4月17日类别剧场版看点有银须圈直须圈，于是——柯南，又见柯南，基德，又见基德！

期待引进中……班底原作:青山刚昌监督:山本泰一郎脚本:古内一成音乐:大野克夫制作:东京Mobile声优高山南山崎和佳奈小山力也蜡笔小新2010剧场版|クレヨンしんちゃん超时空！

岚を呼ぶオラの花嫁日期2010年4月17日类别剧场版看点每年都能看到蜡笔小新剧场版，这也许是对臼井仪人最好的纪念……班底原作：臼井仪人监督：しぎのあきら剧本：横手美智子制作：SHIN-EI声优矢岛晶子ならはしみき藤原启治こおろぎさと钉宫理惠四畳半神话大系|四畳半神话大系日期2010年4月22日类别TV版全11话看点NOITAMINA档+汤浅政明，必属精品！

平行视角的奇妙世界，即将魅力上演班底原作：森见登美彦监督：汤浅政明系列构成：上田诚动画制作：MADHOUSE声优暂无xxxHOLiC·笼|xxxHOLiC·笼日期2010年4月23日类别OVA版看点小媳妇变妖艳了，大御姐被便当了，OAD什么的能不能去死一死，我们想要第3季啊！

班底原作:CLAMP监督:水岛努脚本:大川七濑人设:黄濑和哉制作:ProductionI.G声优大原沙也佳福山润中井和哉伊藤静日高里菜菊地美香こじまかずこ望月久代银魂剧场版新译红樱篇|银魂新约红桜篇日期2010年4月24日类别剧场版看点狼来了，狼来了，狼真的来了…于是剧场版来了TV版走了，银他妈你让人情何以堪…班底原作：空知英秋监督：高松信司监修：藤田阳一脚本：大和屋晓人设：竹内进二声优杉田智和阪口大助钉宫理惠千叶进步中井和哉铃村健一石田彰子安武人枪神剧场版|TRIGUNBadlandsRumble日期2010年4月26日类别剧场版看点口碑SF之作剧场版化！

银幕上演荒野大狂宴班底原作：内藤泰弘监督：西村聪脚本：小林靖子人设：吉松孝博制作：MADHOUSE声优小野坂昌也速水奖鹤ひろみ雪野五月冬日恋歌日语吹替版|冬のソナタWinterSonatatheAnimation日期2010年春类别TV版全26话看点经典韩剧动画版之日语吹替版，民那，现在可以看了……班底策划：Japanimation声优萩原圣人田中美里初音岛Extra魔法少女芳乃樱|D.C.エクステ魔法少女さくら日期2010年春类别TV版看点初代《D.C.》的女主角，不老不死的永远的金发双马尾萝莉——芳乃樱重出江湖了！

班底原作：CIRCUS声优暂无真恋姬无双～乙女大乱～|真恋姫无双～乙女大乱～日期2010年4月1日类别TV版看点美少女三国名作《恋姬无双》新系列，如题目所言，看点是“乙女大乱”……班底原作：BaseSon监督：中西伸彰系列：杂破业人设：大岛美和制作：动画工房声优黒河奈美西泽广香鸣海绘理香本井恵美小林真纪雨宫侑布前田幸惠HEROMAN|HEROMAN日期2010年4月1日类别TV版看点山姆宅菊身心一体，蜘蛛侠之父与骨头社魂灵一致，于是这出SF王道作品，出现了…班底原作：Stan·Lee监督：难波日登志系列：大和屋晓设定：大和茂人制作：BONES声优小松未可子木村良平小幡真裕チョー进藤尚美保村真陶山章央石冢运升B型H系|B型H系日期2010年4月1日类别TV版看点要找到100个伴侣！