近日，实验室2021级硕士生王帆一篇论文“MHPL: Minimum Happy Points Learning for Active Source Free Domain Adaptation”（作者：王帆，韩忠义，张致晏，尹义龙）被CVPR2023会议录用。CVPR是国际计算机视觉顶尖和权威学术会议之一，属于CCF A类会议。

源域无关域自适应(SFDA)的目的是在不访问源数据的情况下将训练好的源模型转移到未标记的目标域。然而，由于缺乏源数据和目标监督信息，SFDA面临性能瓶颈的问题，即最新SFDA方法的性能增益受限。主动源域无关域自适应(ASFDA)可以通过主动学习来探索和利用一小部分有信息的标记样本来解决上述问题。在本文中，我们首先发现那些共同满足邻居混乱、个体差异和源域不相似三个属性的点是最佳选择点。我们将这些点定义难以用现有方法探索到的最小满意（MH）点。我们提出最小满意点学习算法(MHPL)来积极探索和利用最小满意点。我们设计了三种独特的策略:邻居环境不确定性、邻居多样性松弛和一次性查询来探索MH点。进一步，为了在学习过程中充分利用MH点，我们设计了一种neighbor focus loss，将加权邻域纯度分配给MH点的交叉熵损失，使模型更加关注MH点。大量的实验证明，MHPL显著超过了各种类型的基线，并在很小的标记成本下获得了显著的性能提升。