합성곱 신경망 기법을 활용한 유사 상표 검색 모형에 관한 연구 :A study on similar trademark search model using convolutioanl neural networks

윤재웅

추천

검색

자료유형: 학위논문

저자정보: 윤재웅 (광운대학교, 광운대학교 대학원)

지도교수: 이석준

발행연도: 2018

저작권: 광운대학교 논문은 저작권에 의해 보호받습니다.

이용수3

이 논문의 연구 히스토리 (2)

2019

합성곱 신경망(Convolutional Neural Network)을 활용한 지능형 유사상표 검색 모형 개발

윤재웅 , 이석준 , 송칠용 외 3명 경영과 정보연구 2019.01 학술저널

2018

합성곱 신경망 기법을 활용한 유사 상표 검색 모형에 관한 연구

윤재웅 경영학과 2018.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

최근 다수의 기업들이 강력한 브랜드 자산을 구축하여 자사의 경영 성과를 향상시키기 위해 브랜드 관리에 전사적인 노력을 기울이고 있다. 기업이 전략적으로 관리한 브랜드는 상표권으로 인정되어 독점적, 배타적인 사용이 가능하며 기업의 자금조달을 위한 지식재산권으로써 다양한 활용이 가능하다. 전 세계적으로 인터넷 및 모바일 상거래가 성장하면서 오픈 마켓 산업 또한 크게 성장하고 있으며, 해당 산업이 성장함에 따라 기업의 지식재산권 중 하나인 상표권이 침해당하는 경우가 빈번하게 발생하고 있다. 상표권 침해 사례는 해외뿐만 아니라 국내에서도 빈번하게 발생하고 있으며, 우리나라의 경우 중국 상표 중개인으로 인한 상표권 침해 사례를 조사한 결과 약 1년 6개월 동안 총 1,019건에 달하는 상표권 침해 사례가 발생한 것으로 조사되었다. 국내 기업 간 상표권 침해 사례도 증가하고 있는데, 특허심판원의 심판 통계자료에 따르면 상표권에 대한 심판 청구 건수는 2013년 대비 2017년 약 2.50% 상승한 것으로 나타났다. 특허청에서 발간한 보고서에 따르면 자사가 출원한 모든 상표에 대해 90% 이상 사전조사를 실시했다고 응답한 비율이 약 48.4%로 나타났으며, 49명 이하 규모 기업의 경우 약 39.3%의 기업이 사전조사를 실시했다고 응답했다. 해당 통계자료로 비추어 볼 때 상표 출원전 선등록상표에 대한 사전조사에 많은 인력과 비용이 소요되고 이로 인해 영세한 기업들이 선등록상표에 대한 사전조사를 수행하지 못함에 따라 타 기업의 상표권을 침해하는 사례가 증가한 것으로 사료된다. 본 연구에서는 국내 기업이 상표 출원 전 선등록상표에 대한 사전조사를 수행함에 있어 투입되는 인력 및 비용 절감과 국내 기업 간 발생하는 상표권 침해 문제해결에 기여하기 위해 합성곱 신경망 기법을 활용한 지능형 유사상표 검색모형에 관한 연구를 수행했다. 데이터 수집 및 정제,데이터 라벨링 및 증폭, VGG-Net, GoogLeNet, ResNet을 활용한 모형 학습 및 검증이 수행되었으며, 실험 결과 ResNet이 약 77.0%로 가장 높은 정확도를 나타냈다. 해당 결과를 통해 합성곱 신경망 모형이 단순한 이미지 분류 및 사물인식 분야뿐만 아니라 유사 이미지 검색 분야에도 높은 성능을 나타낸다는 것이 확인되었다. 또한, 단순한 색감과 형태를 갖는 이미지 데이터를 대상으로 모형에 대한 학습이 수행될 경우 낮은 계층의 합성곱 신경망 모형이 깊은 계층의 모형보다 정확도가 높다는 것을 실증적으로 입증했으며, 본 연구에서 제시한 방법론이 상용화 된다면 실제 산업 현장에서의 활용성이 높을 것으로 사료된다.

I. 서론 1
1. 연구의 배경 및 목적 1
2. 연구의 구성 3
II. 문헌 고찰 5
1. 상표권에 대한 고찰 5
1.1. 지식재산권의 개념 및 정의 5
1.2. 산업재산권의 개념 및 정의 6
1.3. 산업재산권의 분쟁 유형 및 현황 7
1.4. 상표권 침해에 대한 정의 및 침해 현황 9
1.5. 상표권 침해에 관한 선행연구 11
2. 합성곱 신경망 모형에 관한 고찰 15
2.1. 합성곱 계층(convolutional layer) 15
2.2. 통합 계층(pooling layer) 17
2.3. 완전 연결 계층(fully-connected layer) 19
2.4. 모형의 손실 값(loss) 측정 21
2.5. 모형의 학습 22
2.6. 대표적인 합성곱 신경망 모형 24
2.7. 합성곱 신경망 모형에 관한 선행연구 28
III. 연구 모형 31
1. 데이터 수집 및 정제 31
2. 데이터 라벨링 및 증폭 32
3. 모형 학습 및 검증 33
4. 모형 테스트 33
IV. 실증분석 및 결과 35
1. 상표 이미지 데이터 수집 35
2. 여백 제거 36
3. 해상도 조정 37
4. 데이터 라벨링 38
5. 데이터 증폭 38
6. 지능형 유사상표 검색모형 학습 및 검증 39
7. 지능형 유사상표 검색모형 테스트 43
V. 결론 48
참고문헌 52

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)