Étant donné une image d’un objet d’intérêt, nous souhaitons quantifier la qualité de la vue de cet objet 3D dans cette représentation 2D. Pour cela, nous définissons un score de pertinence permettant d’ordonner un ensemble d’images : de celle mettant le mieux en valeur l’objet à celle présentant la plus mauvaise mise en valeur. Ce score s’appuie sur trois critères complémentaires relatifs à l’objet étudié dans l’image : la dominance, la taille et la quantité d’information caractéristique disponible sur cet objet, dans l’image. Cette information caractéristique exploite les résultats fournis par un détecteur de saillance curviligne. De manière complémentaire, nous considérons également les scores de confiance fournis par la sortie d’un réseau de neurones (nous choisissons des réseaux neurones de référence dans le domaine de la détection ou de la classification). Afin de valider et de comparer l’approche introduite et les méthodes étudiées, nous avons mis en place un protocole utilisant des images permettant de proposer un classement de référence. Nos résultats expérimentaux démontrent l’efficacité de notre méthode et permettent de comprendre le comportement des réseaux de neurones. Nous fournissons également des résultats qualitatifs visuels sur des jeux de données réels pour illustrer l’intérêt de l’approche.