OpenCLIP을 활용한 상표 비엔나 코드 분류 모델 연구

국문 초록 (Abstract)

OpenCLIP 기반 비엔나 코드 분류
본 연구는 지식재산권의 상표 분류를 위해 사용하는 비엔나 분류(Vienna Classification) 문제 해결을 목표로 한다. 비엔나 분류는 상표 이미지의 도형적 요소를 대, 중, 소로 구분하여 구조화하는 국제 표준 분류 체계이며, 약 68개의 국가에서 사용하고 있다. 하지만 지재권 선진국을 제외한 많은 국가들이 수작업 분류에 의존하고 있어 인력 및 비용, 코드 부여의 주관성, 데이터 구축 속도 저하 등의 문제가 존재한다. 특히 개발도상국의 경우 인력과 인프라 부족으로 인해 비엔나 분류를 적용하지 못하는 경우가 비일비재하다.
본 연구는 이러한 한계를 기술적으로 극복하기 위해 OpenCLIP(ViT-L/14)을 적용하여 상표 이미지의 비엔나 코드를 자동으로 분류하고 추천하는 시스템을 제안하였다. 실험을 위해 AI-Hub의 데이터를 활용하여 총 223,665건의 훈련 데이터셋과 27,983건의 검증 데이터셋을 구축하였으며, 이는 총 137개의 비엔나 코드 클래스로 구성된다.
모델의 최적화를 위해 학습 과정을 Zero-shot, Linear Probe, Fine-tuning의 3단계로 세분화하여 점진적인 성능 향상 전략을 채택하였다. 성능 평가를 위해 Micro F1, Macro F1, mAP 지표를 활용하여 모델 간 성능을 비교 분석하였으며, 우수 모델에 대해서는 실무적 효용성을 검증하기 위해 Recall@10 정확도를 추가로 측정하였다. 실험 결과, 제안 모델은 상위 10개의 추천 후보 내에 정답 코드가 포함될 확률이 약 85%에 달하는 우수한 성능을 보였으며, 이는 비엔나 분류기로서의 충분한 실무적 가치를 갖는다.
본 연구에서 제안하는 비엔나 분류 모델은 상표 심사관에게 신뢰도 높은 추천 코드를 제공함으로써 유사 상표 검색 업무의 효율성을 향상시킬 수 있을 것으로 기대된다. 나아가, 데이터 라벨링 인프라가 취약한 국가나 기관에서도 적은 비용으로 고성능의 분류 시스템을 도입할 수 있는 실질적인 기술적 토대를 마련하였다는 점에서 의의가 있다.

다국어 초록 (Multilingual Abstract)

A Study on Vienna Code Classification for Trademark Images Using OpenCLIP
The Vienna Classification is an international standard crucial for trademark image retrieval and examination systems. However, manual classification methods heavily relied upon by many countries, excluding IP-advanced nations, suffer from issues related to labor, cost, subjectivity, and slow data construction. This problem is particularly acute in developing countries lacking personnel and infrastructure. To address these challenges, this study proposes a trademark Vienna code classification method utilizing a large-scale vision-language model, OpenCLIP (ViT-L/14). We constructed a comprehensive dataset covering 137 Vienna classification codes and established a three-stage progressive learning strategy—Zero-shot, Linear Probe, and Fine-tuning—to optimize the classification model. Performance evaluation was conducted using Micro F1, Macro F1, and mAP metrics, with additional Recall@k (k=1, 5, 10) assessments for the best-performing model. The final proposed model achieved a high accuracy of approximately 85% in Recall@10, demonstrating its practical viability as a Vienna code classifier. This model can significantly assist examiners in quickly exploring top candidate codes during similar trademark reviews and offers an efficient solution applicable even in countries with limited infrastructure for data labeling.

목차 (Table of Contents)

• 제 1 장 서론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구 범위 및 논문 구성 3
• 제 2 장 이론적 배경 5
• 2.1 상표 이미지 분류 기술의 발전 5
• 2.2 비전-언어 모델 6
• 제 3 장 연구 방법 9
• 3.1 데이터 구성 9
• 3.2 제안 모델 12
• 3.3 학습 방법론 14
• 3.4 평가 지표 18
• 제 4 장 실험 및 결과 20
• 4.1 모델 학습 및 실험 결과 20
• 4.2 결과 분석 22
• 제 5 장 결론 및 향후 연구 26
• 5.1 결론 26
• 5.2 향후 연구 27