Les données étiquetées disponibles pour la recherche sur l'estimation des intensités d'expression faciale sont limitées. Par exemple, la capacité à entraîner des réseaux profonds pour l'évaluation automatique de la douleur est entravée par des ensembles de données de petite taille contenant les intensités de douleur signalées par les patients. Heureusement, le réglage fin (fine-tuning) à partir d'un domaine pré-entraîné avec une grande quantité de données, comme la vérification faciale, peut atténuer ce problème. Dans cet article, nous proposons un réseau qui ajuste finement un réseau de vérification faciale de pointe en utilisant une perte de régression régularisée et des données supplémentaires avec des étiquettes d'expression. De cette manière, la tâche de régression d'intensité d'expression peut bénéficier des représentations caractéristiques riches formées sur une vaste quantité de données pour la vérification faciale. Le régresseur profond régularisé proposé est appliqué pour estimer l'intensité d'expression de douleur et a été testé sur l'ensemble de données UNBC-McMaster Shoulder-Pain largement utilisé, atteignant des performances de pointe. Une métrique d'évaluation pondérée est également proposée pour aborder le problème d'imbalance entre les différentes intensités de douleur.