El origen del problema de análisis de similitud de marcas comerciales se encuentra en el área legal, específicamente en la protección de la propiedad intelectual. Una de las posibles soluciones técnicas para este problema es la evaluación de similitud de marcas comerciales basada en el enfoque de recuperación de imágenes basada en contenido. Las características estándar basadas en CNN se han mostrado como una buena línea base para la recuperación de marcas comerciales. Sin embargo, en los últimos años, el área de visión por computadora ha estado transitando de las CNN a una nueva arquitectura, a saber, Vision Transformer. En este artículo, investigamos el rendimiento de las características estándar extraídas con transformadores de visión y exploramos los efectos del preprocesamiento, postprocesamiento y preentrenamiento en grandes conjuntos de datos. Proponemos la mejora del pipeline de evaluación de similitud de marcas comerciales mediante el uso conjunto de características globales y locales, lo que aprovecha los mejores aspectos de ambos enfoques. Los resultados experimentales en el Conjunto de Datos de Marcas Comerciales de METU muestran que las características estándar extraídas con modelos basados en ViT superan a las características estándar de modelos basados en CNN. El método propuesto logra un valor de mAP de 31.23, superando los resultados anteriores de última generación. Suponemos que el uso de un pipeline de evaluación de similitud de marcas comerciales mejorado permite mejorar la protección de la propiedad intelectual con la ayuda de métodos de inteligencia artificial. Además, este enfoque permite identificar casos de uso injusto de dichos datos y formar una base de evidencia para litigios.