2분반-F1T - 편집 역사

Com239: /* 이론적 계산 및 시뮬레이션 */

2026-06-16T12:56:58Z

‎이론적 계산 및 시뮬레이션

Com239: /* 특허 출원 내용 */

2026-06-16T12:51:52Z

‎특허 출원 내용

Com239: /* 개발 일정 */

2026-06-16T12:49:36Z

‎개발 일정

Com239: /* 상세설계 내용 */

2026-06-16T12:46:27Z

‎상세설계 내용

Com239: /* 이론적 계산 및 시뮬레이션 */

2026-06-16T12:45:40Z

‎이론적 계산 및 시뮬레이션

Com239: /* 관련 기술의 현황 및 분석(State of art) */

2026-06-16T12:43:52Z

‎관련 기술의 현황 및 분석(State of art)

Com239: /* 향후계획 */

2026-06-16T12:39:06Z

‎향후계획

Com239: /* 완료작품의 평가 */

2026-06-16T12:37:48Z

‎완료작품의 평가

Com239: /* 관련사업비 내역서 */

2026-06-16T12:36:27Z

‎관련사업비 내역서

Com239: /* 기술개발 일정 및 추진체계 */

2026-06-16T12:34:45Z

‎기술개발 일정 및 추진체계

← 이전 판		2026년 6월 16일 (화) 12:56 판
638번째 줄:		638번째 줄:

	◇ 최종 검색 점수 계산		◇ 최종 검색 점수 계산
		+
	최종 검색 점수는 기본적으로 목표 상품 설명문과 상품 이미지 간의 의미적 유사도를 중심으로 계산한다. 다만 사용자가 소재 조건을 명시한 경우에는 소재 유사도를 일부 반영하여 최종 순위를 조정한다.		최종 검색 점수는 기본적으로 목표 상품 설명문과 상품 이미지 간의 의미적 유사도를 중심으로 계산한다. 다만 사용자가 소재 조건을 명시한 경우에는 소재 유사도를 일부 반영하여 최종 순위를 조정한다.

@@ 1,115번째 줄: / 1,115번째 줄: @@
 패션 검색 서비스는 모바일 사용 비중이 높기 때문에, 향후 모바일 화면에서도 이미지 업로드와 결과 확인이 편리하도록 UI를 개선할 필요가 있다.
-===특허 출원 내용===
+===부록===
-내용
+====참고문헌 및 참고사이트====

@@ 286번째 줄: / 286번째 줄: @@
 ===기술개발 일정 및 추진체계===
 ====개발 일정====
-내용
+{| class="wikitable" style="vertical-align:middle; background-color:#FFF;"
 ====구성원 및 추진체계====
 ◇ 허원준(팀장) : 전체 코드 관리, 목표 상품 설명문(Target Description) 생성 및 이를 활용한 최종 검색·랭킹 파이프라인 담당, 추천 이유 생성 파이프라인 담당, 비용 정산 담당

@@ 595번째 줄: / 595번째 줄: @@
 ===상세설계 내용===
 ◇ 가. 전체 소프트웨어 구조
 본 시스템은 사용자의 자연어 질의와 참조 이미지를 입력받아, 상품 DB에서 적합한 패션 아이템을 검색하고 추천 사유를 제공하는 웹 기반 패션 검색 시스템이다. 소프트웨어는 크게 사용자 인터페이스, 검색 API, 추천 파이프라인, 상품 데이터베이스로 구성된다.
@@ 633번째 줄: / 634번째 줄: @@
 단계: 사용자 입력 검증
 사용자는 자연어 질의만 입력할 수도 있고, 참조 이미지를 함께 업로드할 수도 있다. 시스템은 먼저 입력값이 올바른지 확인한다.
 자연어와 이미지가 모두 없는 경우에는 검색을 수행하지 않는다. 또한 “이 이미지처럼”, “이 옷이랑 비슷하게”와 같이 이미지를 참조하는 표현이 있는데 이미지가 첨부되지 않은 경우에는 이미지 업로드를 요청한다.
 단계: 패션 관련 입력 여부 확인
 목표 상품 설명문(Target Description)을 생성하기 전에, 입력된 텍스트와 이미지가 패션 검색에 적합한지 확인한다.
 예를 들어 “노트북 추천해줘”와 같은 비패션 질의는 검색 대상으로 처리하지 않는다. 이미지의 경우에도 음식, 풍경, 전자기기처럼 의류나 패션 아이템이 포함되지 않은 이미지는 검색에 사용하지 않고 재입력을 요청한다.
 단계: 보수적 패션 의도 추출
 시스템은 사용자의 질의에서 명시된 패션 속성만 추출한다. 이때 사용자가 말하지 않은 속성을 임의로 추가하지 않는 것이 핵심이다.
 예를 들어 “티셔츠 찾아줘”라고만 입력한 경우, 시스템은 이를 자동으로 “반팔 티셔츠”라고 단정하지 않는다. 이러한 방식은 잘못된 속성 필터링으로 인해 적합한 상품이 후보에서 제외되는 문제를 줄이기 위한 것이다.
 단계: 정형 속성 기반 후보 축소
 추출된 속성 중 카테고리, 소매, 기장, 성별, 계절, 신축성, 두께, 핏은 상품 DB의 메타데이터와 직접 비교할 수 있다. 따라서 해당 속성들은 후보 상품을 줄이는 데 사용한다.
@@ 683번째 줄: / 688번째 줄: @@
 단계: 목표 상품 설명문(Target Description) 생성
 목표 상품 설명문(Target Description)은 사용자의 자연어 질의와 참조 이미지를 검색에 적합한 하나의 상품 설명으로 변환한 것이다.
 이미지가 있는 경우 이미지는 참조 상품으로 사용하고, 텍스트는 수정 조건 또는 추가 조건으로 사용한다. 이미지와 텍스트가 충돌하는 경우에는 사용자가 명시한 텍스트 조건을 우선한다.
@@ 688번째 줄: / 694번째 줄: @@
 단계: 벡터 검색 및 소재 조건 반영
 생성된 목표 상품 설명문은 임베딩 벡터로 변환된다. 이후 상품 DB에 저장된 상품 이미지 임베딩과 비교하여 의미적으로 가장 가까운 상품을 검색한다.
 사용자가 “린넨”, “면”과 같은 소재를 명시한 경우에는 소재 유사도도 최종 점수에 일부 반영한다. 소재 조건이 없는 경우에는 목표 상품 설명문과 상품 이미지 간 유사도만으로 결과를 정렬한다.
 단계: 추천 사유 생성
 최종 검색 결과가 결정되면 시스템은 추천 사유를 자연어로 생성한다. 추천 사유는 사용자의 질의, 추출된 속성, 목표 상품 설명문, 검색 결과를 바탕으로 작성된다.
 이를 통해 사용자는 단순히 상품 목록만 확인하는 것이 아니라, 해당 상품이 왜 추천되었는지 함께 이해할 수 있다.

@@ 543번째 줄: / 543번째 줄: @@
 ===이론적 계산 및 시뮬레이션===
 ◇ 전체 검색 과정의 계산 구조
 본 시스템은 전체 상품을 한 번에 검색하지 않고, 사용자가 명시한 조건을 먼저 반영하여 후보 상품을 줄인 뒤 벡터 검색을 수행한다. 전체 상품 수를 N, 메타데이터 필터링 후 남은 후보 상품 수를 C, 최종 반환 상품 수를 K라고 하면 검색 흐름은 다음과 같다.
@@ 550번째 줄: / 551번째 줄: @@
 ◇ 목표 상품 설명문(Target Description) 기반 유사도 계산
 본 시스템은 사용자의 자연어 질의와 참조 이미지를 바탕으로 목표 상품 설명문(Target Description)을 생성한다. 목표 상품 설명문은 사용자가 찾고자 하는 상품을 검색에 적합한 문장 형태로 표현한 것이다.
 예를 들어 사용자가 “이 이미지랑 비슷한 느낌인데 여름에 입기 좋은 얇은 셔츠 찾아줘”라고 입력하면, 시스템은 참조 이미지의 스타일과 사용자의 추가 조건을 함께 반영하여 검색용 목표 상품 설명문을 생성한다.
@@ 559번째 줄: / 561번째 줄: @@
 ◇ 소재 조건 유사도 계산
 사용자가 “린넨”, “데님”, “니트”, “면 소재”와 같이 소재 조건을 명시한 경우, 시스템은 소재 정보도 검색 결과에 반영한다. 이는 이미지가 비슷하더라도 사용자가 원하는 소재와 다른 상품이 상위에 노출되는 문제를 줄이기 위한 것이다.
 사용자 소재 조건 임베딩 벡터를 f, i번째 상품의 소재 설명 임베딩 벡터를 r_i라고 하면 소재 유사도는 다음과 같이 계산한다.

@@ 70번째 줄: / 70번째 줄: @@
 세대: 키워드 및 태그 기반 패션 검색
 기존 패션 커머스의 검색 방식은 상품명, 브랜드명, 카테고리, 색상, 성별, 계절감 등 판매자가 사전에 등록한 태그를 사용자의 검색어와 매칭하는 방식이 일반적이다. 이 방식은 구현이 단순하고 검색 속도가 빠르다는 장점이 있으나, 사용자가 원하는 스타일을 정확한 키워드로 표현하지 못하는 경우 검색 결과의 품질이 낮아진다.
 예를 들어 “여름에 입기 좋은 얇고 루즈한 셔츠”와 같이 자연어로 표현된 의도는 단순 키워드 검색만으로는 충분히 처리하기 어렵다. 또한 “이 이미지와 비슷하지만 소매가 긴 옷”처럼 참조 이미지와 수정 요청이 결합된 질의는 기존 태그 기반 검색만으로는 반영하기 어렵다.
 세대: 이미지 기반 검색 및 딥러닝 임베딩 검색
 이미지 기반 검색은 사용자가 업로드한 이미지와 시각적으로 유사한 상품을 찾는 방식이다. 초기에는 색상, 질감, 형태 등 수작업 시각 특징을 기반으로 유사도를 계산했으나, 딥러닝의 발전 이후에는 상품 이미지를 고차원 벡터로 변환하고 벡터 공간에서 유사도를 계산하는 방식이 주로 활용되고 있다.
 CLIP과 같은 멀티모달 임베딩 모델은 이미지와 텍스트를 동일한 임베딩 공간에 정렬함으로써, “검은색 셔츠”, “스트라이프 원피스”와 같은 텍스트 질의와 상품 이미지 간 의미적 유사도를 비교할 수 있게 해 주었다. 그러나 단순 임베딩 검색은 사용자의 복합적인 수정 의도나 상황 맥락을 구조적으로 반영하기 어렵다는 한계가 있다.
 세대: Composed Image Retrieval 및 Zero-Shot CIR
 Composed Image Retrieval(CIR)은 참조 이미지와 자연어 수정 요청을 함께 입력받아 사용자가 원하는 타겟 이미지를 검색하는 기술이다. 예를 들어 참조 이미지가 반팔 셔츠이고 사용자가 “이것과 비슷하지만 긴소매로 찾아줘”라고 입력하면, 시스템은 이미지의 기본 스타일을 유지하면서 자연어 수정 요청을 반영한 결과를 찾아야 한다.
 FashionIQ, CIRR 등은 이러한 참조 이미지-수정 텍스트-타겟 이미지 관계를 다루는 대표적인 벤치마크로 활용되어 왔다. 이후에는 별도의 도메인별 학습 데이터를 많이 요구하지 않고, 사전 학습된 멀티모달 모델을 활용하여 검색을 수행하는 Zero-Shot CIR 연구도 활발히 진행되고 있다.
@@ 83번째 줄: / 86번째 줄: @@
 세대: VLM 기반 사용자 의도 추론 검색
 최근 VLM은 이미지를 단순히 임베딩으로 변환하는 것을 넘어, 이미지와 자연어 질의를 함께 입력받아 속성, 상황, 관계, 수정 의도를 해석할 수 있다. 본 과제는 이러한 VLM의 추론 능력을 활용하여 사용자의 패션 검색 의도를 구조화한다.
 구체적으로 사용자의 질의에서 의류 카테고리, 성별, 계절감, 소매 길이, 기장, 신축성, 두께감, 핏, 색상, 소재 등의 속성을 추출하고, 이를 검색 파이프라인의 후보 축소와 최종 랭킹에 활용한다. 실제 구현에서는 사용자가 명시적으로 언급한 속성만 추출하도록 프롬프트를 설계하여, VLM이 임의로 속성을 추가하는 문제를 줄이고자 하였다.
@@ 94번째 줄: / 98번째 줄: @@
 자연어 데이터를 GPT 계열 언어 모델에 입력하여 JSON/YAML 형태의 구조화된 출력을 획득하고, 이를 사전 설정된 속성 정보에 따라 두 가지 타입의 요소로 분류한다. 제1타입 요소는 이미지 내에 시각적으로 표시될 수 있는 속성, 예를 들어 색상, 아이템 종류, 프린트 등 시각 속성으로, CLIP·BLIP 등 멀티모달 모델을 통해 임베딩 벡터를 획득하여 벡터 유사도 검색의 인덱스로 활용한다. 제2타입 요소는 이미지에 표시되지 않는 메타 속성, 예를 들어 브랜드, 가격 등으로, DB 필터링 조건으로 활용한다.
 명세서의 구체적 실시예로는 “10만원 이내로 파란색 레터링 들어간 커버낫 티셔츠 찾아줘”라는 자연어 입력에서 색상(blue)·아이템(t-shirt)·프린트(lettering)는 제1타입으로 임베딩하고, 브랜드(커버낫)·가격(0~100,000원)은 제2타입으로 DB 필터링에 배분하는 방식이 제시되어 있다.
 본 과제와의 관계: 시각 속성은 임베딩 검색, 메타 속성은 DB 필터링으로 나누는 하이브리드 구조는 본 과제와 유사하다. 그러나 해당 특허의 주요 입력은 자연어 텍스트 단독이며, 참조 이미지와 자연어 수정 요청을 함께 입력받아 목표 상품 설명문(Target Description)을 생성하고, 이를 검색 파이프라인에 활용하는 구조는 본 과제와 차이가 있다.
@@ 103번째 줄: / 108번째 줄: @@
 입력 이미지와 그 이미지에 관련된 태그·속성·키워드·메타 정보를 획득한 뒤, 패션 분야 자연어 데이터로 파인튜닝된 언어 모델에 프롬프트로 입력하여 이미지에 대한 자연어 설명을 획득한다. 명세서의 실시예에서는 “네이비 니트 조끼와 베이지 면 스커트를 입은 여성” 이미지에 대해 “네이비 색상으로 차분한 느낌…대학생들의 새내기룩으로 많이 활용”과 같은 패션 특화 설명이 생성된다.
 이렇게 생성된 이미지-설명 쌍을 학습 데이터로 삼아 CLIP·BLIP 계열 멀티모달 모델을 이미지 임베딩과 설명 텍스트 임베딩 간 코사인 유사도를 최대화하는 방향으로 학습시키고, 학습 완료된 모델로 멀티모달 검색을 수행하는 파이프라인이다.
 본 과제와의 관계: 패션 도메인 특화 언어 모델을 활용하여 이미지 설명을 생성하는 아이디어는 방향이 유사하다. 그러나 해당 특허는 생성된 학습 데이터를 이용한 추가 파인튜닝이 핵심 구성 요건이다. 반면 본 과제는 별도의 패션 검색 모델을 새롭게 학습시키기보다, 사전 학습된 VLM과 임베딩 기반 검색 구조를 활용하여 사용자의 질의와 참조 이미지를 목표 상품 설명문으로 변환하고, 이를 실제 상품 DB 검색에 활용하는 구조이다.
 ◇ 특허 공백 분석
 조사된 선행 특허들을 종합하면, 기존 특허들은 크게 1) 자연어 텍스트 기반 하이브리드 검색, 2) 파인튜닝 기반 도메인 특화 멀티모달 모델 구축 두 범주에 집중되어 있다.
 본 과제는 이러한 흐름과 일부 유사한 요소를 가지지만, 참조 이미지와 자연어 수정 텍스트를 동시에 입력받아 VLM이 이미지와 질의를 함께 해석하고, 이를 목표 상품 설명문(Target Description) 및 정형 메타데이터로 변환한 뒤, DB 필터링과 벡터 검색을 함께 수행한다는 점에서 차별성이 있다.
@@ 112번째 줄: / 119번째 줄: @@
 *특허 전략 분석
 . 핵심 청구 범위 설정
 가장 유사한 선행 특허인 10-2025-0045724(옴니어스)의 핵심은 자연어 입력을 언어 모델로 구조화한 뒤, 시각 속성은 임베딩 검색에 활용하고 메타 속성은 DB 필터링에 활용하는 구조이다. 본 과제 역시 시각 속성과 메타데이터를 구분하여 검색에 활용한다는 점에서 유사성이 있으나, 입력 방식과 검색 파이프라인 구성에서 차별성을 가진다.
 본 과제는 텍스트 단독 질의뿐 아니라 참조 이미지가 포함된 멀티모달 입력을 처리한다. 사용자가 참조 이미지를 제공하고 자연어로 수정 요청을 입력하면, VLM은 이미지의 시각적 특징과 사용자의 자연어 의도를 함께 분석한다. 이후 분석 결과를 검색 가능한 정형 메타데이터와 목표 상품 설명문(Target Description) 으로 변환하고, 이를 각각 후보 축소와 벡터 검색에 활용한다. 따라서 본 과제의 핵심 청구 범위는 다음과 같이 설정할 수 있다.
@@ 124번째 줄: / 132번째 줄: @@
 . 회피 설계
 -2025-0045724는 자연어 텍스트 입력을 구조화하고, 구조화된 속성을 시각 속성과 메타 속성으로 분류하여 검색에 활용하는 방식에 초점이 있다. 따라서 본 과제는 단일 텍스트 입력 기반의 정적 속성 분류와 구별되도록, 참조 이미지와 자연어 수정 요청이 결합된 입력을 처리한다는 점을 명확히 하는 것이 중요하다.
 특히 본 과제는 사용자의 입력을 곧바로 검색에 사용하는 것이 아니라, VLM이 참조 이미지와 자연어 질의를 함께 분석하여 목표 상품 설명문(Target Description) 을 생성한다. 이 목표 상품 설명문은 검색 모델이 이해하기 쉬운 문장형 중간 표현으로, 이후 임베딩 기반 벡터 검색에 활용된다. 실제 구현에서도 의도 추출, 후보 축소, 목표 상품 설명문 기반 최종 추천, 추천 이유 생성 단계로 파이프라인이 구성되어 있다.
@@ 129번째 줄: / 138번째 줄: @@
 . 권리화 방향
 본 과제의 권리화 방향은 특정 모델명이나 특정 플랫폼에 한정하기보다, 사용자의 복합적인 패션 검색 의도를 처리하는 전체 파이프라인 구조에 초점을 두는 것이 바람직하다. 예를 들어 Gemini, Qwen, CLIP, Supabase 등 특정 구현 기술은 변경될 수 있으므로, 청구항에서는 특정 모델보다 입력 처리 방식, 의도 추론 방식, 후보 축소 방식, 벡터 검색 방식의 결합 구조를 중심으로 정의하는 것이 적절하다.
 구체적으로는 다음 단계를 중심으로 권리화를 검토할 수 있다.
@@ 142번째 줄: / 152번째 줄: @@
 . 기대 효과 및 방어 전략
 본 특허전략을 통해 기존의 키워드 기반 패션 검색, 단순 이미지 유사도 검색, 텍스트 단독 하이브리드 검색과 차별화된 권리 범위를 확보할 수 있다. 특히 사용자의 입력을 단순 검색어로 처리하지 않고, VLM을 통해 검색 가능한 중간 표현으로 변환한 뒤 실제 상품 DB 검색에 연결한다는 점은 본 과제의 중요한 기술적 특징이다.
 또한 향후 시스템이 고도화되어 다른 VLM, 다른 벡터 DB, 다른 패션 플랫폼에 적용되더라도, 핵심 파이프라인 구조가 유지된다면 동일한 권리 범위 안에서 보호될 수 있도록 청구항을 설계하는 것이 필요하다. 다만 최종 특허 출원 단계에서는 선행 특허와의 세부 청구항 비교 및 법률 검토를 통해 신규성, 진보성, 회피 가능성을 추가로 확인해야 한다.

@@ 977번째 줄: / 977번째 줄: @@
 ===향후계획===
-내용
+가. 어려웠던 내용들
 ===특허 출원 내용===
 내용

@@ 839번째 줄: / 839번째 줄: @@
 ===관련사업비 내역서===
-내용
+(단위 : 천원)
 ===완료작품의 평가===