集成学习 用了哪些模型

集成学习是一种将多个模型的输出进行融合，以提高模型的性能和鲁棒性的技术。在NNUNet中，使用了多种模型进行集成学习，包括：

1. 2D和3D UNet模型：这是NNUNet的基础模型，使用编码器-解码器结构进行图像分割。2D UNet适用于平面图像，3D UNet适用于三维图像。

2. 2D和3D U-Net++模型：这是一种改进的UNet模型，增加了更多的跳跃连接和上采样路径，以提高模型的性能和鲁棒性。

3. 2D和3D DenseNet模型：这是一种基于密集连接的深度学习模型，使用多个密集块进行特征提取和特征融合，以提高模型的性能和鲁棒性。

4. 2D和3D V-Net模型：这是一种基于卷积神经网络的三维图像分割模型，使用编码器-解码器结构和跳跃连接进行图像分割。

5. 2D和3D HighResNet模型：这是一种基于残差网络的深度学习模型，使用多个残差块进行特征提取和特征融合，以提高模型的性能和鲁棒性。

这些模型可以使用单一模型进行训练和推理，也可以使用集成学习将它们的输出进行融合，以提高模型的性能和鲁棒性。在NNUNet中，使用了多种集成学习方法，如投票、平均、加权平均等，以提高模型的性能和鲁棒性。