Dans la reconnaissance des expressions faciales (FER), les incertitudes introduites par des bruits intrinsèques — tels que les expressions faciales ambigües ou les étiquettes incohérentes — soulèvent des préoccupations quant à la fiabilité des résultats obtenus. Afin de quantifier ces incertitudes et d’obtenir de bonnes performances en présence de données bruitées, nous considérons l’incertitude comme un concept relatif et proposons une méthode innovante d’apprentissage de l’incertitude, nommée Relative Uncertainty Learning (RUL). Contrairement aux approches qui supposent une distribution gaussienne de l’incertitude pour l’ensemble des jeux de données, RUL introduit une branche supplémentaire pour apprendre l’incertitude à partir de la difficulté relative des échantillons, via une technique de mixup de caractéristiques. Plus précisément, nous utilisons les incertitudes comme poids pour mélanger les caractéristiques faciales, et concevons une perte additive afin de favoriser l’apprentissage de l’incertitude. La méthode est facile à implémenter et ajoute une surcharge computationnelle négligeable ou nulle. Des expériences étendues montrent que RUL surpasser les méthodes les plus avancées d’apprentissage de l’incertitude en FER, tant sur des jeux de données réels que sur des jeux de données synthétiques bruités. En outre, RUL s’applique également efficacement à d’autres jeux de données, tels que CIFAR et Tiny ImageNet. Le code source est disponible à l’adresse suivante : https://github.com/zyh-uaiaaaa/Relative-Uncertainty-Learning.