インスタンス正規化（Instance Normalization）はG検定対策を理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network cnn

G検定トップ ＞ インスタンス正規化（Instance Normalization）とは？G検定対策

まず結論

  • インスタンス正規化（Instance Normalization）とは、各サンプル（画像）ごとに、チャネル単位で正規化を行う手法です。
  • G検定では「どの単位で統計量を計算するか」「バッチサイズに依存するか」が問われます。

直感的な説明

  • インスタンス正規化は「1枚の画像だけを見て、その画像の明るさやコントラストを整える」イメージです。

  • 他の画像（バッチ内の別サンプル）の影響を受けないため、

    • 1枚ずつ処理する場合
    • バッチサイズが小さい場合 に向いています。

定義・仕組み

  • インスタンス正規化では、

    • サンプルごと
    • チャネルごと に平均と分散を計算し、正規化します。

  • 数式的には、Batch Normalization と似ていますが、

    • バッチ方向の平均・分散を使わない 点が大きな違いです。

いつ使う？（得意・不得意）

得意な場面

  • 画像認識・画像生成
  • スタイル変換（Style Transfer）
  • バッチサイズが1に近い学習

不得意・注意点

  • バッチ全体の統計量を活かしたい場合
  • 時系列やNLPでは一般的ではない

G検定ひっかけポイント

  • 最大のひっかけ

    • 「特徴間の相関を除去する」→ ❌（それは無相関化／白色化）

  • よくある混同

    • Batch Normalization：バッチ全体・チャネルごと
    • Layer Normalization：サンプルごと・全特徴
    • Instance Normalization：サンプルごと・チャネルごと

  • 選択肢で

    • 「バッチサイズに依存しない」→ ⭕
    • 「画像認識で使用される」→ ⭕

まとめ（試験直前用）

  • インスタンス正規化はサンプル単位
  • チャネルごとに正規化
  • バッチサイズに依存しない
  • 画像処理でよく使われる *

🔗 関連記事

🏠 G検トップに戻る