L'expression faciale est l'un des principaux moyens non verbaux d'exprimer des intentions dans la communication humaine. Il s'agit de l'un des signaux les plus puissants, naturels et universels permettant aux êtres humains de transmettre leurs états émotionnels et leurs intentions. Ainsi, l'analyse et la compréhension de l'expression faciale humaine sont cruciales pour de nombreuses applications dans de multiples domaines, y compris les soins de santé et les domaines médicaux, la réalité virtuelle et la réalité augmentée, l'éducation et le divertissement. Dans cette thèse, nous avons donné un aperçu de la mesure des expressions faciales en utilisant les unités d'action du visage (UA), avec une application sur l'estimation automatique de l'intensité de la douleur PSPI. Comme toute expression faciale humaine peut être décomposée en un ensemble d'unités d'action faciale et de leurs intensités, la mesure automatique de l'intensité des UA faciales semble être l'étape clé pour mieux comprendre l'expression faciale humaine et son évaluation.

Récemment, les techniques d'apprentissage profond sont apparues comme des méthodes puissantes pour apprendre des représentations de caractéristiques directement à partir de données et ont permis d'obtenir des améliorations majeures dans diverses tâches de vision par ordinateur liées au visage.
Le principal avantage des approches d'apprentissage profond est leur capacité à apprendre à partir de l'expérience et à généraliser sur de nouvelles données non vues. Cependant, pour ce faire, ces modèles profonds doivent être entraînés sur une quantité massive de données, ce qui est difficile à obtenir pour le domaine des expressions faciales, notamment les UA faciales et l'estimation de l'intensité de la douleur PSPI. La raison en est que cela nécessite un effort d'étiquetage coûteux et long par des annotateurs humains formés. Par exemple, il faut parfois plus d'une heure à un annotateur expert pour coder l'intensité des UA dans une seconde d'une vidéo de visage. De plus, la distribution des données d'intensité des UA est généralement déséquilibrée, la performance des méthodes profondes sur ces bases de données est affectée négativement par des données insuffisantes. Par conséquent, dans cette thèse, nous avons proposé plusieurs approches qui sont capables d'exploiter de meilleures représentations des caractéristiques des images faciales sur une quantité limitée de données. Nous démontrons l'efficacité de nos approches sur les deux bases de données très connues UNBC McMaster et DISFA, en montrant des résultats prometteurs. Pour finir, nous discutons des obstacles à l'évaluation automatique des expressions faciales et présentons les futurs défis de la recherche.