En la mayoría de los enfoques de reidentificación, se comparan los vectores de incrustación para identificar la mejor coincidencia para una consulta dada. Sin embargo, esta comparación no tiene en cuenta si la información codificada en los vectores de incrustación fue extraída de manera confiable de las imágenes de entrada. Proponemos el primer intento que ilustra cómo se pueden estimar los tres tipos de incertidumbre, a saber, incertidumbre del modelo (también conocida como incertidumbre epistémica), incertidumbre de los datos (también conocida como incertidumbre aleatoria) e incertidumbre distribucional, para los vectores de incrustación. Proporcionamos evidencia de que realmente estimamos estos tipos de incertidumbre, y que cada tipo tiene su propio valor para mejorar el rendimiento de reidentificación. En particular, mientras que los pocos enfoques de vanguardia que emplean incertidumbre para la reidentificación durante la inferencia utilizan solo la incertidumbre de los datos para mejorar el rendimiento de reidentificación de un solo disparo, demostramos que el vector de incertidumbre del modelo estimado puede ser utilizado para modificar el vector de características. Exploramos el mejor método para utilizar la incertidumbre del modelo estimada basada en el conjunto de datos Market-1501 y demostramos que somos capaces de mejorar aún más el rendimiento por encima de la ya sólida línea de base UAL. Además, mostramos que la incertidumbre distribucional estimada se asemeja al grado en que la muestra actual está fuera de distribución. Para ilustrar esto, dividimos el conjunto de distracción del conjunto de datos Market-1501 en cuatro clases, cada una representando un grado diferente de estar fuera de distribución. Al calcular una puntuación basada en el vector de incertidumbre distribucional estimado, somos capaces de ordenar correctamente las cuatro clases de distracción y diferenciarlas de un conjunto en distribución en gran medida.