Für die Forschung zur Schätzung von Gesichtsausdrucksintensitäten sind nur begrenzt annotierte Daten verfügbar. Zum Beispiel ist die Fähigkeit, tiefere Netze für eine automatisierte Schmerzbewertung zu trainieren, durch kleine Datensätze mit Patientenangaben zur Schmerzintensität eingeschränkt. Zum Glück kann das Feinjustieren (Fine-Tuning) von einem datenreichen vortrainierten Bereich wie der Gesichtserkennung dieses Problem lindern. In dieser Arbeit schlagen wir ein Netzwerk vor, das ein state-of-the-art Gesichtserkennungsnetzwerk unter Verwendung eines regularisierten Regressionsverlusts und zusätzlicher Daten mit Ausdruckslabels feinjustiert. Auf diese Weise kann die Regression von Ausdrucksintensitäten von den reichhaltigen Merkmalsrepräsentationen profitieren, die auf einer großen Menge an Daten für die Gesichtserkennung trainiert wurden. Der vorgeschlagene regularisierte tiefe Regressor wird angewendet, um die Intensität des Schmerzausdrucks zu schätzen, und auf dem weit verbreiteten UNBC-McMaster Schulter-Schmerz-Datensatz überprüft, wobei er den Stand der Technik erreicht. Es wird auch ein gewichtetes Evaluationsmaß vorgeschlagen, um das Ungleichgewicht verschiedener Schmerzintensitäten zu adressieren.